检索增强生成（retrieval-augmented generation，RAG）是一种让大语言模型在回答前先从外部知识库检索相关内容的技术，用于缓解模型知识过时与幻觉问题，目前已是企业级 AI 应用落地最主流的架构范式之一。
retrieval-augmented generation 的近期研究进展
围绕 RAG 本身的系统化研究在近一个月密集出现。arXiv 上的《Characterising and Analysing Retrieval-Augmented Generation Techniques》对现有检索增强生成技术进行了分类与特征分析，尝试为这一快速扩张的领域建立统一的分析框架。
检索质量仍是优化重点。RECAST: Learning to Compute the Right Context through Adaptive Evidence Routing提出通过自适应证据路由学习选择"正确的上下文"，而不是简单地把更多检索结果塞给模型——这与业界普遍关注的长上下文噪声、检索精度问题直接相关。
可靠性评测方面，RAGStress: A controlled benchmark for evaluating retrieval-augmented generation under knowledge-base degradation引入了一个受控基准，专门测试知识库降级（如文档过时、损坏）情况下 RAG 系统的鲁棒性，填补了生产环境真实压力测试的空白。
RAG 在行业落地与生态中的动态
云厂商持续把 RAG 能力工程化。AWS Machine Learning Blog 近期发布了使用 Amazon Bedrock AgentCore 生成演示文稿，以及基于 LangChain 与 Amazon Bedrock Knowledge Bases 的智能体式检索（agentic retrieval），后者反映了 RAG 与 Agent 架构融合的明显趋势：检索不再是单次调用，而是由智能体按需、多轮地编排。
在中文技术社区，掘金本周最热收录的《走进 AI Agent 第四篇：知识获取管道——RAG 基础》将 RAG 定位为 AI Agent 知识获取管道的基础环节，说明这一技术已进入入门级开发者教育的核心内容。
RAG 的应用边界也在向垂直学科扩展。来自 Google DeepMind 的《Towards Retrieval Augmented Generation in High-Energy and Astroparticle Physics》探讨了 RAG 在高能与天体粒子物理中的应用路径；AutoRecLab则展示了"描述实验即得代码"的场景，同样依赖检索增强来衔接自然语言与领域知识。
当前焦点与观察点
综合近期报道，retrieval-augmented generation 正呈现三个值得关注的走向。其一，从"能检索"转向"检索得准"，自适应路由与证据选择类工作（如 RECAST）试图解决上下文污染问题。其二，评测体系快速细化，RAGStress 这类针对知识库退化的压力基准表明，业界开始认真对待生产环境中知识库本身不可靠的情形。其三，RAG 与 Agent 的边界持续模糊，云厂商的 agentic retrieval 方案和社区的知识管道教程都在把检索视为智能体工作流的一个可编排组件。此外，长程程序化推理的研究也提示，仅靠检索补充操作手册式知识仍不足以支撑复杂多步任务，这可能是 RAG 下一步需要补齐的能力短板。