2025年，对于大模型应用来说，搜索增强生成（RAG）和智能体（Agent）是两个非常火热的话题，当然，AI Agent要更火一些。
我自己的观点是，在2026年，这两个方向依然是大模型应用落地的主要方向，但是未来会朝着复杂多模态RAG和多模态Agent的方向发展。
RAG技术在多个领域都展现了巨大的潜力，比如在知识问答、信息检索、智能客服、企业私有知识库信息获取和生成等任务中。
在各类AI智能应用平台和产品中，当你上传知识库进行知识问答、文档写作和制作PPT、深度研究等，就是RAG的各种应用。
一、啥是RAG？
检索增强生成（Retrieval-Augmented Generation, RAG）技术主要是通过将大规模检索系统与大模型相结合，动态地从外部知识源（如文档、数据库或结构化数据）中检索信息，并在生成过程中利用这些信息，从而生成更准确、上下文相关的输出。
下面这张图片完整展示了检索增强生成技术的六个核心步骤：
1、用户输入：用户提出问题
2、检索系统：从文档库中搜索相关信息
3、文档检索：提取相关文档内容
4、上下文信息融合：整理检索结果并送入大模型
5、LLM处理： 大语言模型结合检索到的信息进行处理
6、生成输出： 输出最终的响应结果
举个例子，如果你问大模型“智谱和MiniMax2025年下半年都研发了哪些大模型？”
如果大模型没有训练过相关语料，那么它必然回答不出来这种比较实时信息的相关问题，或者回答的结果不真实，存在幻觉等等。
但是如果基于RAG技术，它可以从最新的网页、外部的技术文档资料中检索相关信息，并生成一个基于这些信息的详细答案。这种能力使得 RAG 在需要精确和实时信息的场景中更加被需要。
RAG在落地过程中涉及到的技术、工程问题也有很多，我简单说一些。
如何更好地进行复杂文档内容理解和解析？
文档信息如何进行切割、分块？
选择什么样的向量嵌入模型、重排序模型？
是否设计到多模态内容理解、切割和生成？
选择什么样的多路召回方式？
向量数据库怎么选？
是否要构建知识图谱？
面对跨文档的信息融合、信息检索和知识校正怎么处理？
大模型和知识图谱结合到底如何实践？如何真正落地？
所谓的“图模融合”用处大不大？什么场景需要使用？
如何验证RAG系统的准确性？
二、关于对RAG的几点看法
1、即使大模型能够接收的上下文长度越来越长，但是就目前的实践工程来看，长上下文依然无法取代RAG。
2、在大语言模型的上下文窗口中填充过长的文本，会导致大模型注意力分散，从而使得回答质量显著下降，产生所谓的“信息迷失”或“信息淹没”效应。
3、文档切片过小可能导致检索到的信息支离破碎，大模型获取信息不完整；切片太大则会引入信息噪声，降低检索精度，由于向量表示是对整个文本块的概括，也会丢失内部细节的区分度。
4、RAGFlow提出的TreeRAG技术，通过借助大语言模型在离线阶段自动化地分析文档，构建出层次化的树状目录结构，可以巧妙地桥接“小粒度搜索”与“大粒度阅读”之间的鸿沟。
5、GraphRAG在实际工程落地过程中存在诸多难题，反正我们也尝试过，最终也放弃了，理想很美好，但是实践起来问题真的很多：构建知识图谱的成本比较高，只依靠大模型抽取信息质量可能不高，信息抽取严重依赖大模型的信息理解和生成能力。
6、Agent的复杂任务执行依然离不开RAG，也就是很多Agent必须要对海量、多样化企业数据的实时访问与理解。
7、多模态RAG依然是现在的难点，也是未来的刚需点，企业也好，个人也好，知识库里面都有着纷繁复杂的非结构化数据（文档、图片、音频、视频、代码、邮件等）。
8、RAG引擎本质上是一个高并发、低延迟的检索服务层，需要支持混合检索（向量检索+关键词检索+全文检索+元数据过滤）等，还要考虑比如树检索或者图谱查询等能力。
9、对 RAG系统来说，检索结果的质量直接决定最终回答生成的好坏。返回过多无关片段会引入噪声，影响答案生成；遗漏关键的核心的片段又会导致答案不完整。
10、RAG技术在Agent 时代不再仅仅是“检索增强生成”中的一个环节，在Agent的工具选择、上下文工程中都扮演者十分重要的角色。
11、多模态RAG一定是RAG体系未来的发展方向，当然落地的难度也更高。
12、多模态RAG需要更加强大的多模态Embedding模型、Rerank模型。
如果你想更深入的了解和学习RAG相关的知识，推荐给你一些我看过的不错的文章，可以加深对RAG原理、技术和工程的理解。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
