检索增强（Retrieval-Augmented Generation, RAG）是一种将外部知识检索与生成式模型结合的技术，旨在提升模型输出的准确性和可解释性，已成为大型语言模型（LLM）落地应用的关键范式。近期，该领域围绕安全性、推理能力、成本效率以及系统集成等方向涌现出多项创新，同时也暴露出新的挑战。
检索增强推理与泛化能力突破
最新提出的RA-RFT方法通过检索增强强化微调（Retrieval-Augmented Reinforcement Fine-Tuning），使模型在少量示例上学习类比推理，显著提升泛化能力。RA-RFT：通过检索增强强化微调实现类比推理 此外，DARP策略关注差异感知检索，在模仿学习中通过检索具有区分度的样本提升策略泛化性。DARP：差异感知检索策略提升模仿学习泛化性
Agentic RAG与系统集成进展
Google Research为Gemini Enterprise Agent平台引入Agentic RAG，利用Sufficient Context Agent处理多跳查询，增强了复杂任务中的检索与推理能力。Google Research 为 Gemini Enterprise Agent 平台加入 Agentic RAG，用 Sufficient Context Agent 处理多跳查询 同时，GrepSeek训练搜索智能体直接与语料库交互，探索更高效的检索机制。GrepSeek：训练搜索智能体直接与语料库交互 Exa CEO指出，借助检索增强，小模型可节省20倍成本，有效应对Token危机。Exa CEO 谈检索如何解决 Token 危机：小模型+检索可省 20 倍成本
当前焦点与观察点
检索增强系统的安全性与结构局限性成为关注热点：DACSI攻击展示了低频间接提示注入如何突破RAG安全边界，提示防御机制仍需加强。DACSI攻击：低成本间接提示注入突破RAG安全边界 另一方面，有研究指出RAG在法律领域存在结构性局限，其依赖概率相似性难以处理深层语义关系。RAG在法律领域的结构性局限：超越概率相似性 此外，检索增强还被应用于内容审核（如Mod-GuideMod-Guide：基于LLM的内容审核系统，提升对少数族裔敏感言论的识别）和硬件设计自动化（如SECDA-DSESECDA-DSE：LLM引导FPGA加速器自动设计，减少人工探索），展现了跨领域的潜力。