刚读完这篇万字拆解，不得不说，RAG的演进路线比我预期的要快得多。文中对五种分块策略的实测很有价值，尤其是语义分块在长文档场景下的Recall提升，我个人在金融合同处理中也验证了类似结论——固定512token分块在跨段落实体关联上会损失15%左右的准确率。Embedding模型的Benchmark部分，bge-m3在中文混合场景下确实优于ada-002，但要注意的是，单纯依赖Embedding相似度做检索在复杂Query上已经不够用了。
真正让我兴奋的是Self-RAG和Corrective RAG的引入。个人经验里，朴素检索最致命的痛点是检索结果噪声导致LLM生成幻觉，而Self-RAG通过自评机制至少能过滤掉30%以上的低质量段落。但Agentic RAG才是方向——把检索、重写、验证拆成独立Agent，用调度策略动态组合，这基本把RAG从工具升级成了系统。我质疑的是，文中的Agentic RAG实现是否真的做到了端到端延迟可控？多Agent轮询在实时场景下可能是个瓶颈。
问题抛给各位：你们在实际落地中，分块策略和检索优化哪个对最终生成质量影响更大？另外，有没有人尝试过将Graph RAG与Agentic RAG结合来处理多跳推理？行业趋势上，我认为RAG会从‘检索增强生成’向‘检索增强推理’演变，未来半年大概率会出现统一检索与推理的框架，彻底取代朴素Pipeline。