企业检索与上下文:RAG评审与上下文图概念

学术界和实践者的评审识别了RAG部署的差距,并提出上下文图以记录决策背后的原因,而不仅仅是事实。
Key insights
提出上下文图以捕捉AI决策理由
作者提出了'上下文图',以存储不仅仅是事实,还有决策的理由——规则、批准和相关先前事件——使AI系统能够解释为何产生某一结果。上下文图的概念旨在通过记录导致选择(如定价或折扣)的前因因素(例如投诉、政策、经理批准)来使AI能够应用类人判断。
系统性RAG评审发现实验室到生产的差距和常见挑战
对77项RAG+LLM研究(2015–2025)的文献回顾发现,大多数实施使用GPT系列模型(63.6%)、FAISS/Elasticsearch检索(80.5%)和云基础设施(66.2%)。仅有13%的工作在企业环境中部署了原型。反复出现的挑战包括幻觉控制(48.1%)、数据隐私(37.7%)、延迟和可扩展性(31.2%)、领域适应(23.4%)以及衡量商业影响(15.6%)。
企业RAG需要混合检索和超越静态持有的评估
回顾发现,23.1%的研究中混合检索(稠密向量+知识图谱)提高了可解释性和精确性。领域微调使事实性提高了10-20%。研究社区缺乏以生产为中心的人机交互评估和商业结果指标。
创始人和构建者被敦促记录决策过程,而不仅仅是数据
上下文图提案和RAG评审共同建议构建者为AI工作流记录意图、中间步骤和批准,以便系统能够将过去的单次事实概括为跨领域的决策逻辑,涵盖例外情况和跨系统状态。