Retrieval-augmented generation for natural language processing: a survey

doi:10.1007/s10462-026-11605-7

Retrieval-augmented generation for natural language processing: a survey

2026-06-01

0

OA

AI

DOI：10.1007/s10462-026-11605-7

原文链接

查看原文

摘要

En 中文

大型语言模型（LLMs）已在多个领域取得了强大的实证性能，得益于其存储知识的巨大参数量。然而，LLMs仍存在幻觉问题、知识更新问题以及缺乏特定领域专业知识等关键问题。检索增强生成（RAG）的出现，通过利用外部知识库增强LLMs，缓解了这些限制。本文对自然语言处理（NLP）中的RAG技术进行了系统综述，重点关注检索器和检索融合。我们介绍了一种新颖的检索融合分类，如基于查询的、基于logits的、潜变量和参数融合，并提供了在可访问性、效率和用例方面的结构化比较。本文进一步考察了RAG在多样化NLP任务中的应用，讨论了评估方法和基准限制，并分析了有无知识库更新的训练范式。最后，我们探讨了工业部署考量，并识别了新兴挑战和未来方向，包括安全性、效率和基于图的检索。

Keyword:

Retrieval-augmented generation

Natural language processing

Vector database

Large language model

Retrieval-augmented generation for natural language processing: a survey

摘要

AI总结

期刊

机构

引用论文