最初在课程上接触RAG技术时，老师主要介绍了其基本概念——通过结合检索系统和生成模型来提升语言模型的准确性和可靠性。这种将传统信息检索与现代生成式智算相结合的思路让我耳目一新，特别是它解决"模型幻觉"问题的潜力。
为了更深入地理解，我随后查阅了相关论文，包括《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》等经典文献。通过研读这些资料，我不仅了解了稠密检索、端到端训练等技术细节，更重要的是认识到RAG在实际应用中存在多种实现范式。
论文中提出了三种RAG模式
迭代式RAG：通过设定最大迭代次数或质量阈值，系统可以循环执行"检索-生成-评估"的过程。这种方式特别适合需要逐步完善答案的复杂问题，每次迭代都能基于前次结果进一步优化。
递归式RAG：采用问题分解的策略，将复杂查询拆解为多个子问题，形成树状结构进行处理。这种模式通过控制最大递归深度来平衡效果与效率，非常适合需要多步推理的任务。
自适应RAG：最具智能性的模式，系统会先进行初始判断，动态决定是否需要检索、何时检索。这种按需检索的机制既保证了灵活性又提高了效率，是三种模式中最接近人类问题解决思维的。
这些模式并非互斥，在实际应用中往往需要根据具体场景选择或组合使用。通过课程打基础、论文深入理论、再到图示的系统化梳理，我对RAG技术有了更立体、更实践导向的理解。这种渐进式的学习过程，也让我体会到将理论知识转化为实践应用的重要性。