检索增强生成：架构、增强与鲁棒性前沿的全面综述

检索增强生成（RAG）已成为一种强大的范式，通过在推理时基于检索到的外部证据进行条件生成来增强大语言模型（LLM）。虽然 RAG 解决了参数化知识存储的关键局限性——例如事实不一致和领域不灵活性——但它引入了检索质量、基础保真度、流水线效率以及针对噪声或对抗性输入的鲁棒性方面的新挑战。本综述对 RAG 系统的最新进展进行了全面综合，提供了一种分类法，将架构分为以检索器为中心、以生成器为中心、混合和面向鲁棒性的设计。我们系统地分析了检索优化、上下文过滤、解码控制和效率提升方面的增强，并得到了短形式和多跳问答任务上的比较性能分析的支持。此外，我们回顾了最先进的评估框架和基准，突出了检索感知评估、鲁棒性测试和联邦检索设置的趋势。我们的分析揭示了检索精度与生成灵活性、效率与忠实度、模块性与协调性之间反复出现的权衡。我们最后指出了开放的挑战和未来的研究方向，包括自适应检索架构、实时检索集成、多跳证据上的结构化推理以及隐私保护的检索机制。本综述旨在巩固 RAG 研究的现有知识，并作为下一代检索增强语言建模系统的基础。