延伸阅读

本章列出 RAG 相关的论文、官方文档、博客与学习路径，并给出相邻主题的交叉引用。

学术论文

• Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

  • 论文地址：https://arxiv.org/abs/2005.11401
  • 价值：RAG 的奠基论文，理解“先检索再生成”的范式。

• Dense Passage Retrieval for Open-Domain QA

  • 论文地址：https://arxiv.org/abs/2004.04906
  • 价值：DPR 双塔检索，现代 dense retrieval 的基础。

• BGE: BAAI General Embedding

  • 论文/模型：https://github.com/FlagOpen/FlagEmbedding
  • 价值：中文/多语言开源 embedding 的优秀基线。

• SPLADE: Sparse Lexical and Expansion Model

  • 论文地址：https://arxiv.org/abs/2107.05720
  • 价值：学习得到的稀疏表示，连接 BM25 与 dense retrieval。

• ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction

  • 论文地址：https://arxiv.org/abs/2004.12832
  • 价值：token 级 late interaction，检索精度高。

• Reciprocal Rank Fusion outperforms BM25

  • 论文地址：https://plg.uwaterloo.ca/~gvcormac/cormacksigir09-rrf.pdf
  • 价值：RRF 的经典说明。

• RAGAS: Automated Evaluation of Retrieval Augmented Generation

  • 项目地址：https://github.com/explodinggradients/ragas
  • 价值：端到端 RAG 评估框架。

• GraphRAG

  • 论文/项目：https://github.com/microsoft/graphrag
  • 价值：知识图谱增强 RAG。

官方文档与框架

• LangChain RAG 文档

  • https://python.langchain.com/docs/tutorials/rag/

• LlamaIndex RAG 文档

  • https://docs.llamaindex.ai/en/stable/understanding/rag/

• Haystack Pipelines

  • https://docs.haystack.deepset.ai/docs/intro

• Milvus 文档

  • https://milvus.io/docs

• Pinecone 文档

  • https://docs.pinecone.io/

• Qdrant 文档

  • https://qdrant.tech/documentation/

• OpenAI Embeddings

  • https://platform.openai.com/docs/guides/embeddings

• Cohere Rerank

  • https://docs.cohere.com/docs/rerank

工程博客与文章

• LangChain: RAG from scratch

  • https://blog.langchain.dev/retrieval/

• Pinecone: RAG 101

  • https://www.pinecone.io/learn/retrieval-augmented-generation/

• Microsoft: GraphRAG

  • https://microsoft.github.io/graphrag/

相邻主题交叉引用

主题	链接	与本主题关系
LLM Gateway	/04-llmops/llm-gateway/	RAG 在线服务的流量入口与模型路由。
Agent Runtime	/05-agent/agent-runtime/	Agent 把 Retriever 当作工具调用。
Memory	/05-agent/memory/	向量存储是长期语义记忆的载体。
MCP	/05-agent/mcp/	把 Retriever 封装为 MCP Server。
Planning	/05-agent/planning/	复杂查询需要先规划再多次检索。
Tool Use	/05-agent/tool-use/	检索器是一种返回文档的工具。
Agent OS	/05-agent/agent-os/	为 RAG 任务提供进程与资源隔离。
AI SRE	/07-ai-sre/	为 RAG 服务提供可观测性、SLO 与事故响应保障。

推荐学习路径

1. 入门：读 RAG 奠基论文，用 LangChain/LlamaIndex 跑通一个 PDF 问答 Demo。
2. 进阶：评估 dense/sparse/hybrid 检索，加入 reranker，建立 RAGAS 评估集。
3. 深入：阅读 ColBERT/SPLADE/GraphRAG，理解高级检索与推理增强。
4. 生产：设计多租户、增量更新、缓存、可观测与反馈闭环的 RAG 服务。

一句话收尾

RAG 是连接“静态知识库”与“动态语言模型”的桥梁；桥梁的承载力取决于索引质量、检索精度、生成可控性与持续迭代机制。