Retrieval-Augmented Generation for AI-Generated Content: A Survey

人工智能生成内容（AIGC）的发展受到模型算法、可扩展的基础模型架构和大量高质量数据集的推动。虽然AIGC取得了显著的性能，但仍面临挑战，如难以保持最新和长尾知识，数据泄漏风险和培训和推理所需的高成本。最近，检索增强生成（RAG）作为一种范式出现，旨在解决这些挑战。特别是，RAG引入了信息检索过程，通过从可用数据存储中检索相关对象来增强AIGC的结果，从而提高准确性和鲁棒性。本文全面审查了将RAG技术集成到AIGC场景中的现有工作。我们首先根据检索器如何增强生成器对RAG基础进行分类。我们提炼各种检索器和生成器的增强方法的基本抽象。这种统一的视角包括所有RAG场景，阐明了有助于未来潜在进展的先进技术和关键技术。我们还总结了其他增强RAG方法，促进了RAG系统的有效工程和实施。然后，从另一个角度，我们调查了RAG在不同模态和任务中的实际应用，为研究人员和实践者提供了有价值的参考。此外，我们介绍了RAG的基准，讨论了当前RAG系统的局限性，并提出了未来研究的潜在方向。项目网址：https://github.com/hymie122/RAG-Survey。

Retrieval-Augmented Generation (RAG)的出现旨在解决什么问题？

RAG通过信息检索过程增强AIGC结果，提高准确性和鲁棒性。论文综述了当前将RAG技术融入AIGC场景的相关工作，并提出了统一的思路框架。

论文对RAG的基础进行了分类，并总结了各种信息检索和生成方法的基本抽象。此外，论文还介绍了RAG的其他增强方法和实际应用，提供了有价值的参考。论文还讨论了RAG的限制和未来研究方向。

最近的相关研究包括：《A Comprehensive Survey on Graph Neural Networks》、《Deep Learning for Video Classification: A Survey》、《A Survey of Deep Learning for Scientific Discovery》等。