Augmented（增强）在 AI 领域通常指通过外部手段弥补模型自身能力短板的技术路线，最典型的形态是检索增强生成（RAG）——让大语言模型在回答前先从外部知识库中检索资料，从而缓解幻觉、突破训练数据的时效限制。与完全依赖参数记忆的生成方式相比，增强类方法的核心理念是"生成+检索/工具/数据"协同，目前已成为企业级大模型应用的主流架构之一，在搜索引擎、智能客服、科研文献分析等场景广泛落地。
Augmented 的近期进展
当前焦点与观察点
围绕 Augmented 的讨论集中在三个层面。其一是架构演进：从简单的"检索后生成"走向 agentic retrieval，检索、重排、生成、验证被组织成可迭代的智能体流程，AWS 等云厂商正把这类方案产品化。其二是与模型训练的关系：有观点认为 Boltzbit 等公司探索的持续学习路线可能替代部分 RAG 场景——模型权重不再完全冻结，用户提供的最新事实可直接写入模型，而不必每次塞进上下文窗口重读，这引发了"增强检索 vs. 记忆化"的路线之争。其三是垂直化落地：高能物理等科研领域的案例表明，增强检索的价值在于把领域私有知识可靠地注入模型输出，而非追求通用对话能力。
总体来看，Augmented 已从工程技巧上升为基础范式，但其与长上下文、持续学习、模型微调之间的边界仍在动态调整，未来的观察点是检索质量评估标准与 agentic 检索的成本控制。