论文 · 资源记录
Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
把参数化生成器与可更新的非参数文档索引结合，用检索证据支持知识密集任务。
作者：Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela年份：2020出版信息：Advances in Neural Information Processing Systems 33元数据：完整链接核验于 2026-07-14
为什么重要
用于核对检索—生成联合建模的原始范围；引用正确性和生产审计需要额外设计。
阅读前提
教材中的引用位置
- A12 · 第 4 章 检索增强、引用与事实落地
支持的主张：RAG 原论文用于核对检索器、文档潜变量与生成器联合建模，以及知识密集任务中的原始实验设置；《Deep Learning》用于核对条件序列模型、最大似然和潜变量学习基础。本章据此区分“检索到了文本”“生成使用了文本”和“回答中的主张被文本支持”三个独立检查。
- A12 · 第 5 章 工具调用、记忆与任务规划
支持的主张：ReAct 论文用于核对语言模型交错生成推理文本与外部动作的轨迹形式及原始任务实验；RAG 论文用于核对检索器、文档索引与生成器的证据接入接口。本章据此把工具执行状态、检索证据和模型文本记忆分开记录，工具调用成功不自动证明计划正确或回答受证据支持。
- A12 · 第 6 章 系统评估、故障模式与智能体综合复习
支持的主张：ReAct 论文用于核对推理文本与工具动作交错的代理轨迹，RAG 论文用于核对检索器—生成器的联合建模，CLIP 论文用于核对图文对比预训练，InstructGPT 论文用于核对指令与偏好训练流程，规模律论文用于核对语言模型损失的经验缩放。本章分别引用这些接口，不把单篇实验扩张为自主性、事实性、多模态理解或安全性的统一保证。