超越参数：大型语言模型中上下文增强的技术综述：从上下文提示到因果检索增强生成
计算与语言
2026-04-06 v1 人工智能
摘要
大型语言模型（LLM）在其参数中编码了丰富的世界知识，但它们仍然从根本上受限于静态知识、有限的上下文窗口和弱结构的因果推理。本综述沿着单一轴线——推理时提供的结构化上下文程度——对增强策略提供了统一的描述。我们涵盖了上下文学习与提示工程、检索增强生成（RAG）、图检索增强生成（GraphRAG）和因果检索增强生成（CausalRAG）。除了概念比较之外，我们还提供了透明的文献筛选协议、主张审计框架以及结构化的跨论文证据综合，以区分高置信度发现与新兴结果。本文以面向部署的决策框架和面向可信赖检索增强自然语言处理的明确研究重点作为结论。
引用
@article{arxiv.2604.03174,
title = {Beyond the Parameters: A Technical Survey of Contextual Enrichment in Large Language Models: From In-Context Prompting to Causal Retrieval-Augmented Generation},
author = {Prakhar Bansal and Shivangi Agarwal},
journal= {arXiv preprint arXiv:2604.03174},
year = {2026}
}
备注
7 pages, 4 tables