Scifi-gamer1. RAG技术演进全景解析：从传统流程到自适应检索
在图书馆写论文的场景中，我们都有过这样的经历：刚开始查阅几本参考书就动笔，写到中途却发现关键论据缺失或引用资料不准确。这种困境正是传统RAG（检索增强生成）技术的真实写照。作为大模型时代最核心的工程范式之一，RAG技术正在经历从"一次性检索"到"智能协同"的范式升级。
1.1 传统RAG的结构性缺陷
Naive RAG的工作流程看似直观高效：用户提问→问题向量化→向量数据库检索→结果送入LLM生成回答。但这种单向流水线存在三个致命缺陷：
信息覆盖不全问题：当处理"比较2023与2024年新能源汽车政策对特斯拉在华市场份额影响"这类复合问题时，单次检索往往只能获取政策文本或市场数据中的单一维度。就像写论文时，首次检索可能只找到政策文件而遗漏了关键的市场统计报告。
检索质量黑箱问题：系统将Top-K检索结果直接喂给LLM，缺乏有效性验证机制。这如同把未经核实的参考文献直接写入论文，当检索结果存在偏差时（比如过时的政策文件），LLM生成的回答会比其原始输出更不可靠。
多步推理失效问题：对于需要先推导中间结论再检索的问题（如"导致特斯拉Q3销量下滑的主要原因中，哪些与供应链相关"），传统RAG缺乏分阶段检索的能力。就像研究者无法根据初步分析结论进行定向的二次文献检索。
关键发现：在知识密集型任务测试中，Naive RAG在复杂问题上的幻觉率比简单问题高出47%，这直接印证了单次检索机制的局限性。
1.2 迭代式RAG的突破与局限
Iterative RAG通过引入反馈循环改进了这一局面。其工作流程可以类比论文写作中的"查阅-写作-再查阅"循环：
- 首轮检索获取基础资料
- LLM生成初步回答
- 分析回答中的信息缺口
- 基于缺口发起新一轮检索
- 整合新旧材料继续生成
以ITER-RETGEN方案为例，其创新点在于将每轮的生成片段作为后续检索的查询增强。例如处理"比较光伏与风电技术成熟度"时，首轮可能检索到技术原理，生成过程中发现缺乏成本数据，则自动触发以"光伏风电 装机成本"为关键词的二次检索。
但该方案存在两个工程痛点：
- 固定迭代次数导致简单问题资源浪费（3轮迭代中可能前两轮已解决）
- 每轮增加约300-500ms延迟（检索