大型语言模型（LLM）在众多应用场景中的广泛使用，使得检索增强生成（RAG）成为降低幻觉、提升模型性能的关键手段。已有大量 RAG 方法被提出，各自具备不同的特性和能力，导致在具体任务中挑选合适方案异常困难。为此，本文构建了一个概念框架，用于从两个层面系统化地描述和评估现有 RAG 技术。框架的维度包括：
- 检索源（内部知识库、外部网络、混合）
- 检索方式（稠密向量、稀疏倒排、混合）
- 融合策略（前置、后置、交叉）
- 生成调控（提示工程、微调、奖励模型）
- 评估指标（准确性、鲁棒性、成本）。每个维度下设若干子维度，捕捉实现细节和性能表现。框架通过对文献中报告的属性进行定性分析而形成，可在实际实验前帮助研究者和工程师快速过滤出最符合用户需求和任务约束的 RAG 方案，避免在计算资源和经费上进行盲目基准测试。
该框架的价值在于提供了一套结构化的“是什么”和“做得多好”的描述语言，使得 RAG 技术的比较更加透明、系统化，为后续的实证研究奠定了前置筛选基础。
点评