GRU与LSTM,RNN
2025/12/17 15:53:23
简介
RAG技术正经历从静态到动态的演进，AgenticRAG实现按需检索，GraphRAG和PikeRAG通过图结构增强数据关联性，ColPail实现纯多模态处理，OP-RAG利用长上下文能力。RAG生态地位从解决幻觉的框架转变为agent的工具和长期记忆库，复杂检索策略、意图识别和评测成为工业级应用的关键要素。
最近刚好在做手上 RAG 项目的年末总结，顺便整理了下外部的变化以及一些演化方向，写着写着发现挺适合拿出来分享的，遂整理下拿出来，顺便展开一些内容。
一、RAG 相关新范式
1.1 动态检索（AgenticRAG）
主要是在检索侧做的改进：
AgenticRag
AgenticRAG 实际就是把向量数据库（知识库）作为 agent 的一个 tool，交由 agent 判断是否使用。
由 agent 自己决定检索什么，检索多少，以做到动态检索。
在此基础上还会增加横向扩展，比如多 retrieve agents 嵌套，通过多个检索 agent 给一个上级 agent 提供信息。相关的设计还有很多，单核心都是围绕“动态检索”这一思想进行设计的。
重点：解决传统 RAG 中的单来源、强制执行、一次交付的问题。
1.2 数据侧增强（PikeRag、GraphRAG）
主要是在存储侧做的改进：
GraphRag
PikeRag
GraphRag 两个方法：
- Local Search：局部检索在检索时依靠向量检索找到绝对实体，之后依靠 graph 在图中寻找它的相关关系，最后给大模型实体细节+关联实体细节+他们的关系。
- Global Search：全局检索在构建的时候通过聚类算法（Leiden 算法）将其聚类为不同社区，最后靠 LLM 给社区做描述；检索时如果是全局检索，则不去寻找实体而是寻找社区及其描述，将相关社区描述汇总作为上下文，主要解决概括性问题。
之前 GraphRag 出现的时候，有令人诟病的成本问题，后续更新了新版的 2.X，记得没错的话式更新了专门用的非 LLM 的实体抽取模型，应该在成本上有所缓解。
另外类似思想的，轻量级的还有 LightRag，也是不错的研究。
PIKE-RAG：主要是做了 atom_decompose 这一个方法，在数据 build 的时候，给每个数据做数据增强。
简单来说就是通过大模型给每一段进行标记，抽取实体和关系（类似 graphrag local search），同时依靠大模型生成相关的，同语义但不同表述的回答作为辅助。最终在检索侧的时候，提高召回率和精确率。
这两个代表性的框架本质都是在存储侧做了增强，且引入了类似图的结构。引入图是为了解决多跳问题，同时也能解决全局问题。
重点：在输入数据层面做增强，强调检索的“关系”和“视野”。
1.3 纯多模态（ColPail）
抛弃 OCR，视觉即索引：
ColPali
不再顺延传统的文字提取+embedding 的思路，而是直接在原始数据（图、pdf）数据上做处理，切成一个个小块，然后给小块生成视觉向量。
检索的时候，query 转为元 token，然后对每个词计算图的最大相似度，最后召回原始的文本（图）块，给 VLM 作为上下文。
这个方式缺陷和优点都太明显：
- 优点：多模态场景下最强，表格、图片统统不在话下。
- 缺陷：架构改变太大，虽然底层依旧是向量数据库，但是模型方面在线的生态一般。且这种元 token 切分的检索方式，中文上处理实际要比英文复杂。并且对输入的数据有了要求，如果业务上数据就是 txt、markdown 这种，无法直接处理。
重点：直接依靠图来进行整个 RAG 流程，天然多模态优势。
实际业界更多对于图片的处理方式主要还是：
- 靠 VLLM 转为描述，然后走正常文本召回，然后给出原始数据
- 结对，直接跟最近的（分布上最靠近，bbox）\最相关的（多模态向量模型）作为一对，召回其关联文本块的时候直接带回
1.4 长上下文（OP-RAG）
模型上下文越来越长，不再切分碎块。
这个不展开说了，简单说就是现在模型上下文越来越长，且不像之前那么容易注意力涣散了，召回的单元不再是之前那样特别碎的碎块了。
很多都是直接把全文 or 一个长片段返回过去，效果要比碎块好很多。检索的时候依靠类似父子索引可以很精确定位。
相关的工作有 OP-RAG，主要阐述了这么做的可行性和有效性。
重点：模型能力增强，碎块作为检索单元的必要性不再存在。
二、生态地位的演变
从 2023->2025 来看，RAG 技术总体的定位演化表现在：由保障大模型生成可靠性，解决幻觉的框架 -> agent 的 tool，作为上下文保障的一个不可缺少的工具。
核心的变动是：
- 由静态转向动态：由于模型核心能力的增强，不再需要每段话都必须被动检索，而是按需检索；由 agent 自己决定是否检索，检索多久，检索什么，而不是之前的强制流水线
- agent 长期记忆的核心：不再局限于文档知识库，而是作为 agent 的长期个性化记忆库
- 多模态势头：VLM 的能力增强和成本降低，使得 rag 场景也不再局限于文字模态
- 数据结构的堆叠与架构复杂性上升：越来越定制化的、不同的检索策略；引入知识图谱 or 其他手段，解决全局性问题
三、复杂检索策略
简单的混合检索（BM25+向量）目前看很多业务场景已经能满足需求，但一些场景在数据维度增多的情况下 or 检索方向的变化下，单一的检索策略已经不太能满足需求。
之前了解到一些外部项目已经给 rag 设定高度定制化的检索策略，比如对某个字段额外建立索引，在召回中额外作为一条通路并且有自己的计分标准。
再比如对原始数据构建索引的时候，不再是向量这种形式，还考虑bool这种简单的开关过滤。
另外也会结合意图识别来动态的在业务中选择不同的检索策略。
这里面 SR（重排）、QR（query 重写）就不再赘述了，也算是复杂检索策略的一环，现在关注的更底层了。
四、意图识别
实际上意图识别几乎成为了现在 rag 工业项目的标配。
具体表现为：在面临不同的 query 时选择什么样的检索策略和数据集。
这部分和 agent 的 tool call 有相似但有区别，具体可以区分类别为软硬路由，主要是容错率的不同。
另外这里根据具体的的需求，实际落地的部分不一定是一个意图识别的模型。
五、评测的重要性
除开以上的架构、算法角度的变动，实际业务角度上评测变得越来越重要，因为 RAG 参与的规模越来越大，评测就变成了不可或缺的一部分。
RAG 评测的核心目的是：
- 如何在上线前验证、证明 RAG 系统的有效性，并且知晓问题加以改进
- 以及在一些交付场景：如何证明你的系统是有效且可靠的
- 对于私域数据，还重点关注数据的安全性和敏感性
评测是推进业务闭环绝对的核心，只有建立正常的评测机制才能做到有效的及时的对架构、算法、数据本身进行改进改良，而非单纯的“业务需求”和“用户体验”。
六、如何系统的学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇
01.大模型风口已至：月薪30K+的AI岗正在批量诞生
2025年大模型应用呈现爆发式增长，根据工信部最新数据：
国内大模型相关岗位缺口达47万
初级工程师平均薪资28K（数据来源：BOSS直聘报告）
70%企业存在"能用模型不会调优"的痛点
真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！
02.大模型 AI 学习和面试资料
1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工
📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。