Awesome-LLM-RAG：检索增强生成技术的全景式论文资源库

Awesome-LLM-RAG是一份精心策划的RAG技术论文清单，涵盖从基础架构到前沿优化的完整研究脉络，以多维度分类体系构建知识图谱，为大语言模型应用开发者和研究者提供系统性学术导航，解决RAG领域信息过载问题。

检索增强生成（RAG）已成为大语言模型应用开发的事实标准，有效缓解纯参数化模型的知识时效性和幻觉问题。但RAG领域技术演进迅速（从2020年奠基到自适应检索、GraphRAG等前沿），研究者面临信息过载，Awesome-LLM-RAG项目因此诞生。

项目特色为多维度分类体系，按研究主题和应用场景划分十余个类别：基础架构层面收录RAG奠基性论文（如2020 NeurIPS《Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks》）；优化技术层面细分为指令微调、上下文学习、嵌入模型、搜索策略等方向，反映RAG从简单架构到复杂系统的演进路径。

项目聚焦四大核心方向：1.自适应检索（模型判断是否需外部知识，如Self-RAG、FLARE）；2.检索与长上下文融合（探讨长上下文模型下RAG的必要性与结合方式）；3.指令微调优化（如RA-DIT提升模型利用检索结果能力）；4.GraphRAG（引入知识图谱解决多跳推理局限）。

项目除学术论文外，收录顶级会议RAG专题（如2023 ACL教程、SIGIR工作坊）及实战指南（《Build an Advanced RAG Application》《Enterprise RAG》等），覆盖从理论到企业级部署的知识体系。

RAG技术演进轨迹清晰：2020-2022关注基础架构；2022-2023聚焦检索策略优化与指令微调；2024-2025转向自适应机制、多模态扩展等前沿。演进反映从学术研究到工业应用的转化过程。

研究者可快速定位文献、明确研究定位；算法工程师获取实战细节与评测方法参考；技术决策者可评估技术成熟度与趋势，助力选型与投入策略。

项目采用MIT许可证，鼓励社区贡献（PR提交）确保时效性；提供便捷导航结构提升体验。未来RAG将向多模态知识融合、动态知识更新拓展，该资源库为深入领域提供宝贵起点。