在大规模语言模型（LLM）应用中，“幻觉”现象显著制约了模型的可信度和实用性。检索增强生成（RAG）技术通过引入外部知识源，显著提升了模型的事实准确性；但如何在生成过程中实现“边写边查”，并将检索到的信息高效融入生成流，是进一步优化模型精度与响应效率的关键所在。

本次分享将全面梳理 SOTA RAG 技术框架：从静态一次性检索机制到生成中动态触发检索，再到生成控制策略——包括检索–生成联合训练、架构级增强（跨层交叉注意力与知识适配器）以及解码期约束（概率重加权与硬规则校验）。本演讲将系统呈现最前沿的 RAG 技术思路与实现方法，帮助技术同仁深入了解这一领域的核心进展。

演讲提纲：

一、背景：RAG在网络安全等高准确性场景下的重要价值

二、传统RAG的技术局限性
1. 一次性检索策略：缺乏生成上下文感知能力
2. 检索与生成割裂：缺少训练联动机制
3. 缺乏一致性保障：生成内容易偏离知识来源

三、RAG的优化方向与关键维度
1.检索策略：从批处理到动态触发
1.1 静态检索代表：RAG-Token、REALM
1.2 动态检索代表：RETRO（分块）、Self-RAG（\[Retrieve] token）、DRAGIN（注意力驱动）
1.3 对比分析：检索精度、上下文利用率

2. 生成控制机制
2.1 检索生成联合训练：知识与生成耦合紧密、检索质量可自适应优化
2.2 架构增强机制：隐层融合-交叉注意力引入检索表示
2.3 解码一致性约束：概率重加权-结合检索文档相关性调整 token 采样分布

四、代表技术方法详解（2-3 个 SOTA RAG方法）
1. Self-RAG：学习何时触发检索、是否使用已有知识
2. FLARE / DRAGIN：基于置信度或注意力的动态检索触发与查询生成
3. DeepRAG：生成链控制与子查询分解

五、总结
1. 总结各维度技术演进路线
2. 未来方向

听众收益：

- 如何灵活选择检索策略：掌握静态数据库与实时检索的区别，学会根据业务需求选择最佳组合方案
- 提升AI可信度的关键技术：通过检索与生成的联合训练方法，结合算法调整和规则约束，减少结果错误
- 系统优化的完整路径：从前沿技术案例（如Self-RAG）中学习从模型优化到系统升级的实用改造思路