检索增强生成（RAG）的最新发展：一文汇总11种新型RAG算法！

引言

随着人工智能的快速发展，检索增强生成（Retrieval-Augmented Generation，RAG）技术正在经历前所未有的演变。RAG技术通过将外部知识融入大型语言模型（LLM）的生成过程，极大地提高了AI系统的事实准确性和可靠性。如今，RAG正向更具智能性和自主性的方向发展，能够处理像超图这样的复杂结构，并适应各种专业领域的需求。

本文将介绍11种最新的RAG类型，展示这一技术领域的创新前沿。

一张图省流版：

最新RAG技术概览

1. InstructRAG：基于指令图的任务规划

论文 ： InstructRAG: Leveraging Retrieval-Augmented Generation on Instruction Graphs for LLM-Based Task Planning

InstructRAG将RAG与多代理框架相结合，使用基于图的结构来组织和执行任务。它包含两个关键创新：

• 强化学习代理：用于扩展任务覆盖范围
• 元学习代理：提高系统的泛化能力

这种方法使AI系统能够更有效地进行复杂任务规划，同时保持知识的准确性。

2. CoRAG：协作式检索增强生成

论文 ： CoRAG: Collaborative Retrieval-Augmented Generation

CoRAG框架将RAG扩展到协作设置中，允许多个客户端使用共享的段落存储来训练同一个模型。这种方法的优势包括：

• 更高效的知识共享
• 减少重复训练
• 提高整体系统的学习效率

在需要多方协作的场景中，如企业内部的知识管理系统，CoRAG展现出巨大潜力。

3. ReaRAG：迭代检索增强推理

论文 ： ReaRAG: Knowledge-guided Reasoning Enhances Factuality of Large Reasoning Models with Iterative Retrieval Augmented Generation

ReaRAG采用"思考-行动-观察"循环，在推理过程中动态决定是继续检索信息还是给出最终答案。这种方法的主要特点是：

• 减少不必要的推理步骤
• 降低错误率
• 提高最终答案的准确性

在需要深度推理的复杂查询中，ReaRAG的表现尤为出色。

4. MCTS-RAG：蒙特卡洛树搜索增强生成

论文 ： MCTS-RAG: Enhancing Retrieval-Augmented Generation with Monte Carlo Tree Search

MCTS-RAG将蒙特卡洛树搜索与RAG结合，帮助小型语言模型处理复杂、知识密集型任务。这种创新的组合带来了：

• 更高效的搜索策略
• 提高知识挖掘能力
• 使小型模型具备处理复杂任务的能力

MCTS-RAG为资源受限环境中的AI应用开辟了新的可能性。

5. Typed-RAG：类型感知的多方面分解

论文 ： Typed-RAG: Type-aware Multi-Aspect Decomposition for Non-Factoid Question Answering

Typed-RAG专注于改进开放式问题的回答质量，通过：

• 识别问题类型（辩论、个人经验或比较）
• 将复杂问题分解为更简单的部分
• 针对不同类型的问题采用不同的检索和生成策略

这种方法在处理非事实型问题时表现出明显优势，提供更加深入和多维度的回答。

6. MADAM-RAG：处理冲突证据的多代理系统

论文 ： Retrieval-Augmented Generation with Conflicting Evidence

MADAM-RAG是一个多代理系统，其中多个模型通过多轮讨论来达成共识，并由一个聚合器过滤噪音和错误信息。这种方法的优势包括：

• 提高处理矛盾信息的能力
• 减少误导性内容
• 生成更加平衡和准确的回答

在需要处理多个可能存在冲突的信息源的场景中，MADAM-RAG表现出色。

7. HM-RAG：层次化多代理多模态RAG

论文 ： HM-RAG: Hierarchical Multi-Agent Multimodal Retrieval Augmented Generation

HM-RAG是一个层次化多代理RAG框架，使用三个专门的代理：

• 查询分割代理：负责分解复杂查询
• 多模态检索代理：跨文本、图形和网络等多种数据类型进行检索
• 合并与优化代理：整合不同来源的信息并优化最终答案

这种架构能够处理跨多种媒体类型的复杂查询，提供更全面的回答。

8. CDF-RAG：因果动态反馈的自适应RAG

论文 ： CDF-RAG: Causal Dynamic Feedback for Adaptive Retrieval-Augmented Generation

CDF-RAG利用因果图进行多跳因果推理，具有以下特点：

• 持续优化查询
• 根据因果路径验证响应
• 提高模型对因果关系的理解和推理能力

这种方法在需要深入理解"为什么"和"如何"的问题时表现尤为出色。

9. NodeRAG：基于异构图的检索增强生成

论文 ： NodeRAG

NodeRAG使用精心设计的异构图结构，专注于图设计以确保图算法的平滑集成。其主要特点包括：

• 比GraphRAG和LightRAG更高效
• 在多跳和开放式问答基准测试中表现卓越
• 更好地捕捉知识之间的关系

NodeRAG为处理复杂知识网络提供了新的解决方案。

10. HeteRAG：异构检索增强生成框架

论文 ： HeteRAG

HeteRAG框架解耦了知识块表示，具有以下创新点：

• 使用多粒度视图进行检索
• 采用简洁的知识块进行生成
• 结合自适应提示调优

这种方法提高了知识检索的精确度和生成内容的质量。

11. Hyper-RAG：基于超图的检索增强生成

论文 ： Hyper-RAG

Hyper-RAG是一种基于超图的RAG方法，通过捕捉领域特定知识中的配对和复杂关系，实现了：

• 提高事实准确性
• 减少幻觉生成
• 特别适用于医疗等高风险领域

其轻量级版本还将检索速度提高了一倍，在保持准确性的同时提升了效率。

RAG技术的未来发展方向

随着这些新型RAG技术的出现，我们可以预见几个明显的发展趋势：

1. 多代理协作 ：未来的RAG系统将越来越依赖多个专门的代理相互协作，各司其职
2. 图结构与超图 ：复杂的知识结构如图和超图将成为RAG系统的核心组成部分
3. 因果推理 ：对因果关系的理解和推理将成为RAG系统的重要能力
4. 多模态整合 ：跨文本、图像、视频等多种模态的知识整合将变得越来越重要
5. 自适应能力 ：RAG系统将能够根据任务性质和难度自动调整其检索和生成策略

结论

RAG技术正在快速演变，从简单的知识检索增强到复杂的多代理系统、图结构导航和因果推理。这11种新型RAG技术代表了当前研究的前沿，它们不仅提高了AI系统的事实准确性，还扩展了这些系统处理复杂任务的能力范围。

随着技术的不断进步，我们可以期待RAG系统在准确性、效率和适应性方面取得更大的突破，为人工智能的发展开辟新的可能性。

参考文献

1. InstructRAG: https://arxiv.org/abs/2504.13032

2. CoRAG: https://arxiv.org/abs/2504.01883

3. ReaRAG: https://arxiv.org/abs/2503.21729

4. MCTS-RAG: https://arxiv.org/abs/2503.20757

5. Typed-RAG: https://arxiv.org/abs/2503.15879

6. MADAM-RAG: https://arxiv.org/abs/2504.13079

7. HM-RAG: https://arxiv.org/abs/2504.12330

8. CDF-RAG: https://arxiv.org/abs/2504.12560

9. NodeRAG: https://huggingface.co/papers/2504.11544

10. HeteRAG: https://huggingface.co/papers/2504.10529

11. Hyper-RAG: https://huggingface.co/papers/2504.08758

添加微信，备注” LLM “进入大模型技术交流群

如果你觉得这篇文章对你有帮助，别忘了点个赞、送个喜欢

/ 作者：致Great

/ 作者：欢迎转载，标注来源即可