软件学报:jos:7684 · 记录 #1
随着深度学习和Transformer架构的不断发展, 基于大语言模型的自然语言处理任务取得了显著进展, 但依然存在着认知幻觉、信息滞后和专业领域知识缺乏等问题. 为解决这些问题, 通过引入外部知识库的检索机制, 检索增强生成技术使模型不仅借助已有的知识, 还能实时检索外部数据, 从而提高生成内容的准确性、时效性及适应性. 本文探讨了检索增强生成技术在提升大语言模型生成能力中的作用. 首先, 从检索增强和增强生成两个方面, 对不同检索目标的检索方法及增强生成的多种技术路径进行系统性分类; 随后, 分析总结检索增强生成技术的原理、实现方式以及其在多个领域的应用; 最后, 在多个领域探讨检索增强生成技术已有的应用成效、面临的挑战及未来的发展前景.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007684
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
随着深度学习和Transformer架构的不断发展, 基于大语言模型的自然语言处理任务取得了显著进展, 但依然存在着认知幻觉、信息滞后和专业领域知识缺乏等问题. 为解决这些问题, 通过引入外部知识库的检索机制, 检索增强生成技术使模型不仅借助已有的知识, 还能实时检索外部数据, 从而提高生成内容的准确性、时效性及适应性. 本文探讨了检索增强生成技术在提升大语言模型生成能力中的作用. 首先, 从检索增强和增强生成两个方面, 对不同检索目标的检索方法及增强生成的多种技术路径进行系统性分类; 随后, 分析总结检索增强生成技术的原理、实现方式以及其在多个领域的应用; 最后, 在多个领域探讨检索增强生成技术已有的应用成效、面临的挑战及未来的发展前景.
查看此版本解读 →查看此版本原文 ↗