检索增强生成（RAG）技术、指标与挑战的系统文献综述
数字图书馆
2025-09-10 v3 人工智能
计算与语言
信息检索
摘要
本系统综述聚焦检索增强生成（RAG）研究文献，重点分析 2020 年至 2025 年 5 月期间被引用最高的研究论文。共计 128 篇文章符合纳入标准。文献来源包括 ACM Digital Library、IEEE Xplore、Scopus、ScienceDirect 以及数字文献与图书项目（DBLP）。RAG 将神经检索器与生成式语言模型耦合，既能在输出时依赖更新的、非参数的记忆，又保留模型权重中储存的语义泛化能力。遵循 PRISMA 2020 框架，我们（i）基于引用计数和研究问题明确规定纳入与排除标准，（ii）归档数据集、模型架构及评估实践，（iii）综合实证证据，阐明 RAG 的有效性与局限。为缓解引用滞后偏差，我们对 2025 年发表的论文设置较低的引用计数阈值，确保不自然稀少引用的新兴突破仍被捕获。本综述阐明了当前研究格局，突出方法论空白，描绘了未来研究的优先方向。
引用
@article{arxiv.2508.06401,
title = {A Systematic Literature Review of Retrieval-Augmented Generation: Techniques, Metrics, and Challenges},
author = {Andrew Brown and Muhammad Roman and Barry Devereux},
journal= {arXiv preprint arXiv:2508.06401},
year = {2025}
}
备注
58 page