2025年的RAG技术发展趋势与演进

本文将分享作为大模型应用创业者的经历与观察，讨论RAG技术和市场环境在2024年的变化。

---

一、RAG技术的演进

RAG（检索增强生成）由“检索”和“大模型生成”两部分组成，而检索之前的索引创建（如chunking、embedding等）是核心基础。我们早在2021年便通过Java技术栈实现了RAG的“RA”部分。2023年中，RAG概念突然走红，并迅速在企业应用中显示出更强的实用性。

1. 主流架构的变化

2024年，RAG的架构讨论趋于成熟。三种模式（Naive RAG、Advanced RAG、Modular RAG）中，Advanced RAG因性能优异且实现难度适中，成为主流。在满足客户需求时，通过在Advanced RAG基础上做优化，往往比复杂的Modular RAG更高效。

2. 技术细节的突破

RAG技术的细节在不断改进，尤其体现在知识提取、索引组织和检索方法三个方面：

• 知识提取：多样化的文档类型（如PDF表格、旧格式文件）解析成为重点。一些企业和开源工具（如PaddleOCR）在这方面表现突出。进一步思考前置工作流，即通过知识生产和协作工具优化知识提取，是下一步的潜力方向。
• 索引组织：从chunking到元数据附加，再到图数据库应用，索引方式多样化。比如，针对引用消解问题，可通过chunk叠加和附加元数据提升准确性，而图数据库因高成本和有限场景仍未普及。
• 检索方法：混合检索（Hybrid，BM25+语义检索）和排序优化（如RRF Fusion、rerank）成为标准实践。有效的检索能显著降低生成幻觉，提高回答精准度。

---

二、市场需求的转变

2024年，RAG在市场需求上的表现愈发突出，尤其是与Fine-tune的对比中。

1. RAG的优势

• 专属知识文件管理：RAG无需繁琐的微调即可高效更新知识文件，适用于知识更新频繁的领域（如金融、企业情报）。
• 幻觉控制：通过精准检索和清晰上下文，RAG显著减少了大模型的错误回答概率。

2. 市场表现与趋势

2024年RAG占据企业市场51%的份额，遥遥领先于Fine-tune和Prompt工程。随着更多企业关注实际应用价值，小而难的项目需求（如高准确率AI问答）逐渐替代大而全的理想化需求。展望2025年，应用（Application）将成为市场核心，RAG的白盒性和易控性使其更具竞争力。

---

三、从业者与市场的冷思考

1. 技术热潮的降温
2024年下半年，AI热度有所回落，部分AI团队解散，许多独立开发者退出探索。但这并非坏事，而是技术成熟的自然过程。

2. 价值逐渐显现
目前坚持AI赛道的公司，尤其是在法律、医疗、教育等垂直领域的深耕者，正逐步建立竞争优势。未来，大模型应用的真正价值将在实际业务流程中开花结果。

---

四、总结与展望

RAG技术正在从快速扩张转向深度优化，并在企业应用中占据主导地位。TorchV等产品以RAG为核心，已为多个大型客户提供服务。期待未来更多企业通过RAG实现高效、精准的AI解决方案。