检索增强生成（RAG）的系统性综述：架构演进、评估方法与部署安全挑战

《ARTIFICIAL INTELLIGENCE REVIEW》：From knowledge retrieval to generation: a comprehensive study of RAG's architectures, evolution, and applications

　　**摘要**大语言模型（LLMs）在自然语言理解、生成和推理方面展现出了强大的能力，但其对静态参数化知识的依赖仍然导致在知识密集型场景中容易出现知识陈旧、幻觉、领域适应性有限、可追溯性弱以及更新成本高企等问题。检索增强生成（RAG）通过将外部知识源纳入生成过程，有助于解决这些局限性，成为提升事实性依据、知识时效性和证据可追溯性的重要途径。然而，现有的RAG研究在架构、检索与生成策略、评估方法、应用场景、部署约束和安全风险等方面日益碎片化。为提供对该领域的系统性理解，本综述通过结构化且透明的评审协议对RAG研究进行了系统回顾。我们将综述内容围绕三大维度展开：RAG的系统架构栈与范式演进、评估方法与应用证据，以及实际部署与安全挑战。具体而言，我们分析了RAG系统的核心组件，梳理了其从朴素RAG到智能体RAG的演进历程，考察了评估指标与压力测试协议，总结了基准数据集与领域应用，并探讨了部署约束及提示注入、数据投毒、检索劫持、隐私泄露和引用洗白等新兴风险。本综述为理解RAG系统的发展、局限与未来方向提供了一个面向分类体系、关注评估、注重部署的参考。