大语言模型检索增强生成优化技术研究综述
Survey on Optimization Techniques for Retrieval-Augmented Generation with Large Language Models
大语言模型检索增强生成优化技术研究综述
原文：大语言模型检索增强生成优化技术研究综述 ｜ 来源：中国科学院计算所《计算机学报》2026 ｜ 2026
原文链接：http://cjc.ict.ac.cn/online/onlinepaper/008_yl-2026227143149.pdf
摘要（中文译文）
备注：原文为中文 PDF（中国科学院计算所《计算机学报》2026 网络首发），WebFetch 未能解析其文本层，以下摘要基于资源清单的条目说明（note 字段）整理，非逐句翻译，故本篇状态标记为 draft。
本文是一篇中文一手综述，系统梳理大语言模型**检索增强生成（RAG）**方向的优化技术。综述覆盖以下关键环节的优化方法：
- **Query（查询）改写**：如何重构用户查询以提升检索召回与相关性；
- **检索增强**：检索器选型、向量库、混合检索与重排策略；
- **知识注入**：将检索到的外部知识有效融入生成过程；
- **引用生成**：在生成结果中给出可追溯、可验证的引用。
该综述为 RAG 系统的端到端优化提供了方法学地图，是理解「检索—生成」链路如何被各类优化技术增强的基础性中文文献。
关键要点
- 中文语境下少有的 RAG 优化技术系统综述，出自国内权威学报。
- 按 RAG 流水线拆分优化点：查询改写 → 检索增强 → 知识注入 → 引用生成。
- 与 GEO 高度相关：RAG 正是生成式引擎「取信于外部内容」的核心机制，站点内容若能被 RAG 友好地检索与引用，即具备 GEO 价值。
- 强调「引用生成（可溯源）」——与 FACTUM（arXiv:2601.05866）等引用可信度研究形成互补。
与 GEO 的关系 / 可引用结论
- 为 GEO 教程站提供「RAG 底层机制」的中文权威参考：生成式引擎的回答质量直接受检索与引用环节优化程度影响。
- 可引用结论方向：优化 query 改写与检索增强能提升内容被检索命中的概率；规范「引用生成」有助于内容在 AI 回答中获得可验证引用（提升 GEO 可信度维度）。
备注
- 原文未抓取到（中文 PDF 无可用文本层，WebFetch 失败），本摘要基于资源列表 note 字段整理，状态标记为 draft。
- 好消息：原文 PDF 已成功下载到本地（papers/cjc-rag-survey.pdf，约 2.1MB），如需逐页精译可后续用 PDF 文本抽取工具补译。
- 建议后续：对本地 PDF 做 OCR / 文本层抽取后，将本文升级为 status: done 的完整翻译。