检索增强生成（RAG）技术在过去一年中经历了质的飞跃，从简单的"文档检索+LLM"模式进化为真正的企业级知识引擎，成为大模型落地的最核心基础设施。

多模态RAG

新一代RAG系统已支持文本、图片、表格、视频和音频的统一检索。系统可以将同一知识库中的文字描述、图表数据和视频讲解进行关联检索，并自动生成综合性的回答。微软的GraphRAG将知识图谱引入RAG系统，使AI不仅知道"文档里有什么"，还能理解"概念之间的关系"。

企业落地

字节跳动的自研RAG系统支撑着数万员工的内部知识管理，日查询量超过500万次。达摩院的通义千问企业版通过Agentic RAG技术，实现了"搜索→分析→推理→回答"的完整工作流，在金融研报分析场景中准确率提升了35%。

RAG的核心价值不在于让AI回答得更快，而在于让每一个回答都有据可查。

向量数据库格局

Pinecone、Weaviate和Chroma等向量数据库公司估值暴涨，中国市场也涌现了Zilliz（Milvus）和Proxima等竞争者。Elasticsearch和PostgreSQL等传统数据库也已集成向量检索能力，RAG基础设施正在走向标准化。