RAG 全景梳理：效率、防御、交互与推理的四轴分类法

一篇 arXiv 综述对 RAG 研究进行结构化梳理，提出四轴分类法：检索效率、鲁棒性与安全、用户驱动的交互式流程、多步或复杂推理。文章形式化 RAG 框架的关键组件，回顾稠密与稀疏检索、融合策略、嵌入优化和基于强化学习的检索策略，并总结评估方法、领域应用及 Naive、Advanced、Modular 等架构变体，最后列出检索质量、可靠性、领域适配、可扩展性与可解释性等持续挑战。

此前的 RAG 综述多聚焦核心架构与标准流水线，这篇综述将近期研究扩展到效率、安全、交互与复杂推理四个方向，等于把分散的进展收进统一坐标系。对需要判断技术选型和部署路线的团队来说，多了一组可对照的维度，而不是只讨论召回与生成的基础拼接。

RAG 用外部检索为生成提供可验证、较新的来源，以缓解模型知识静态和幻觉问题。综述把这一机制拆成检索、融合、嵌入与策略等组件，并按效率、防御、交互、推理四条轴线归类改进方法，同时用 Naive、Advanced、Modular 区分架构复杂度，使不同优化目标与技术选择之间的对应关系更清晰。

对产品与研发的直接作用是：评估 RAG 方案时不再只看检索准确率，而要同时考虑成本效率、安全防御、多轮交互体验和复杂推理能力。架构从 Naive 走向 Advanced 或 Modular 会带来工程复杂度与维护成本上升，但可能提升可靠性、领域适配与可解释性，影响部署与人力的取舍。

• 按四轴分类法梳理自家 RAG 产品的能力缺口，优先补齐安全防御或多步推理中的薄弱环节。
• 针对领域适配和检索质量，建立可对照的评测集，用 Naive、Advanced、Modular 三种架构做基线对比。
• 围绕交互式工作流设计用户可干预的检索与追问入口，把 RAG 从单次问答扩展为多轮协作流程。
• 沉淀检索策略与评估实践的内部文档，降低团队在新场景复用 RAG 组件时的重复试错成本。

• 四轴分类法中各轴之间的优先级和权衡关系是否有明确结论？
• 综述提到的基于强化学习的检索策略在真实部署中的成本与稳定性表现如何？
• Modular RAG 相比 Advanced RAG 在哪些具体场景下带来可量化的收益？
• 检索质量、可扩展性与可解释性之间的冲突是否有推荐的处理顺序？