hymie122/RAG-Survey · 上手攻略

  • 仓库：hymie122/RAG-Survey
  • 链接：https://github.com/hymie122/RAG-Survey
  • 分类：RAG · 综述 · Awesome List
  • 作者：Jay
  • 更新：2026-08-21

是什么

RAG-Survey 是一个按体系分类的 RAG 论文Awesome 列表，对应论文 Retrieval-Augmented Generation for AI-Generated Content: A Survey（arXiv:2402.19473，2024 年 2 月，北大/北大深圳研究生院团队）。仓库按该论文提出的三层分类法，对 RAG 领域论文进行结构化整理，涵盖 RAG Foundations（基础方法）、RAG Enhancements（增强技术）、以及应用层相关工作。

这不是一个代码项目，而是一个持续更新的论文知识库，供 RAG 研究者和工程师快速了解领域全貌、定位相关工作。

解决什么问题

RAG（检索增强生成）领域论文爆炸式增长（2023-2026 年每周都有数十篇新论文），研究者面临两大痛点：

  1. 找不到方向：不知道某类问题已经有哪些方法、各自优缺点
  2. 分类困难：同一篇论文可能同时涉及 Retriever 优化、Generator 微调、Pipeline 自适应等多个维度，难以归类

RAG-Survey 通过论文自带的系统化分类体系，把 RAG 工作分成清晰的子类，解决论文定位和综述写作时的"论文去重/归类"问题。

快速上手

查看分类体系

仓库 README 直接展示了完整的分类树，从上到下分为三大层：

RAG Foundations（基础）
├── Query-based RAG          # 以查询为驱动的检索（REALM、Self-RAG、REPLUG…）
├── Latent Representation-based RAG  # 隐表示级融合（RAG、In-context RALM…）
├── Logit-based RAG          # Logit 级融合（kNN-LM…）
└── Speculative RAG          # 推测解码加速（REST、GPTCache…）

RAG Enhancements（增强）
├── Input Enhancement        # 输入侧增强
│   ├── Query Transformations（查询变换：Query2doc、RQ-RAG…）
│   └── Data Augmentation（数据增强：LESS、Make-An-Audio…）
├── Retriever Enhancement   # 检索器增强
│   ├── Recursive Retrieve（递归检索：RAT、ReAct、CoT…）
│   ├── Chunk Optimization（分块优化：RAPTOR、LlamaIndex…）
│   ├── Finetune Retriever（检索器微调：BGE M3、C-Pack…）
│   ├── Hybrid Retrieve（混合检索：Corrective RAG、Blended RAG…）
│   ├── Re-ranking（重排序：BERT Re-ranker…）
│   └── Retrieval Transformation（检索转换：FiD-light…）
├── Generator Enhancement   # 生成器增强
│   ├── Prompt Engineering（提示工程）
│   ├── Decoding Tuning（解码调优）
│   └── Finetune Generator（生成器微调）
└── Result Enhancement     # 结果增强

RAG Pipeline Enhancement（Pipeline 增强）
└── Adaptive Retrieval（自适应检索）
    └── Rule-Based / Model-Based

定位目标论文

在对应的子类下，每篇论文都附有论文标题 + 链接（arXiv / ACL / NeurIPS / ICLR / DOI），可以直接点击跳转原文。

使用场景举例

  • 想了解 Query 变换（HyDE、Query2doc）方向有哪些工作 → README → RAG Enhancements → Input Enhancement → Query Transformations
  • 想找 RAG + 代码相关论文 → Query-based RAG 子类下有 DocPrompting、InferFix、ReACC 等
  • 想找 RAG + 多模态（文生图/视频/3D）相关工作 → Latent Representation-based RAG 子类有 Re-Imager、KNN-Diffusion、Animate-A-Story 等

核心用法

论文阅读路径推荐

  1. 先读原论文：从 arXiv:2402.19473 开始，了解分类体系设计思路
  2. 按图索骥：README 中每张分类图（RAG_Overview.jpg、RAG_Foundations.png、RAG_Enhancements.png）展示了分类树可视化版本
  3. 子类深挖：在感兴趣子类下，从引用量最高的论文（如 REALM、Self-RAG、ReAct）开始读，再追踪子类内其他工作

论文引用格式

论文引用格式如下：

@article{zhao2024retrieval,
  title={Retrieval-Augmented Generation for AI-Generated Content: A Survey},
  author={Zhao, Penghao and Zhang, Hailin and Yu, Qinhan and Wang, Zhengren
          and Geng, Yunteng and Fu, Fangcheng and Yang, Ling
          and Zhang, Wentao and Cui, Bin},
  journal={arXiv preprint arXiv:2402.19473},
  year={2024}
}

追踪最新 RAG 工作

仓库 README 声明会随论文更新而持续更新。建议定期浏览 GitHub 仓库的 commit 历史，或 watch 仓库获取更新通知。

典型适用场景

  • 论文综述写作：快速定位某 RAG 子方向的全部相关工作，避免漏读关键文献
  • 研究选题：了解某子类是否已拥挤（代码 RAG 已有大量工作）、某子类是否还有空白（3D RAG 应用相对较少）
  • 系统设计参考：做 RAG 系统时，想了解有哪些 Retriever / Generator 增强手段可供选择
  • 面试准备：按分类体系系统复习 RAG 各方向代表性工作

坑与注意

  1. 这是 Awesome 列表，不是代码库：RAG-Survey 本身不提供可运行的 RAG 系统代码，想搭系统请参考 LlamaIndex、LangChain 等框架
  2. 分类存在主观性：同一篇论文可能跨多个子类（如 Self-RAG 同时属于 Query-based RAG 和 Adaptive Retrieval），README 按论文原文的主要贡献归类，可能与你预期的分类不同
  3. arXiv 论文质量参差：列表收录了大量 arXiv 预印本，部分未经同行评审，引用时请注意区分已中顶会的论文
  4. GitHub 页面加载图片可能失败：分类图（RAG_Overview.jpg 等）为 GitHub 托管图片，国内网络可能无法直接加载，可通过 Raw URL 或代理访问
  5. 非实时更新：虽然 README 承诺持续更新，但具体更新频率未标注，重要新工作仍需结合 Papers With Code / arXiv Daily 等渠道追踪

与同类对比

仓库 类型 分类方式 适用场景
hymie122/RAG-Survey 论文列表 三层分类树（论文官方分类） 综述/选题
ragas/awesome-rag 论文+工具 偏工程应用 落地参考
p Missing 等 通用 awesome 无明确分类体系 快速了解
本仓库 按论文原部分类 理论体系完整 学术研究

核心差异：RAG-Survey 的分类体系直接来自论文 [Zhao et al., 2024]，有完整的层次结构和学术依据（Query-based / Latent / Logit / Speculative 四类基础方法 + 各增强维度），比大多数按"应用场景"粗分 Awesome 列表分类更细、体系更完整，适合严肃学术用途。

一句话推荐结论

做 RAG 方向的研究或综述时，先用 RAG-Survey 定位方向全貌——它的三层分类树是当前最完整的 RAG 论文知识地图，按图索骥比逐篇搜 arXiv 效率高得多；落地做系统则配合 LlamaIndex 等框架使用。

⚠️ 注意：这是论文列表不是代码库；arXiv 预印本未全部经同行评审；图片国内访问可能需代理；分类按论文原版归属，理解论文原文分类逻辑是正确使用的前提。