檢索增強生成系統（RAG）正從早期「檢索+生成」的簡單拼接，朝向融合自適應知識組織、多輪推理等複雜知識系統發展（例如 DeepResearch、Search-o1）。然而，複雜度的提升導致開發人員面臨高昂的工程實作成本。
為此，清華大學THUNLP實驗室、東北大學NEUIR實驗室、OpenBMB與 AI9Stars 聯合推出 UltraRAG 2.0，實現以極少程式碼快速打造多階段推理系統。
RAG 2.0 發展歷程
RAG 2.0 應用情境
在醫療領域，RAG 2.0可以快速對病患的病歷紀錄、影像資料和自述資訊進行全面分析，並提供個人化的治療建議，從而減輕醫師的工作負擔，提高了診療的準確性與病患滿意度。
在法律領域，透過整合法律法規、案例判例和專家意見，協助律師快速找到相關法律依據。此外，它還能夠生成高品質的法律文書，減少人為錯誤，提高法律服務的品質。
在金融領域，能夠快速識別潛在的風險點，生成風險評估報告，並提供相應的風險管理建議。這既能提升銀行的風險管理水準，還能增強客戶信任度。
RAG 2.0 目前的挑戰
複雜推理任務效能有限
在多跳推理或複雜邏輯任務中，RAG 生成結果的準確性有待提升，例如處理需要綜合多篇文件資訊的問題時，容易出現資訊整合不足。
檢索品質與雜訊問題
依賴向量資料庫可能導致召回率和命中率偏低，無法精準檢索到相關文件；文件中的過時、不準確資訊可能誤導模型，導致生成內容出現偏差，降低可信度。
安全與隱私問題
RAG 需存取外部知識庫，涉及敏感資料時，如何確保資料的安全性和隱私性是重要的挑戰。
RAG 2.0 前沿論文推薦
1. From Local to Global: A GraphRAG Approach to Query-Focused Summarization
【要點】本文提出了一種基於圖的 RAG 方法，用於針對私人文本語料庫的問題回答，能夠擴展到使用者問題的廣泛性與被索引的資訊量，透過建構一個實體知識圖和生成社群摘要來回答使用者的問題。
【方法】本文使用了 LLM 建構了一個基於圖的文本索引，透過兩個階段：首先透過來源檔案衍生出實體知識圖，然後為所有密切相關的實體組預先生成社群摘要。當一個問題被提出時，每一個社群摘要被用來產生一個部分的回應，然後所有部分回應再被彙總在最終回應中交付給使用者。
【實驗】在 1 百萬個權杖範圍內資料集的某一類全域意義任務中，本文表明 Graph RAG 方法相對於素樸的 RAG 基線來說，在產生的答案的綜合性和多樣性方面都有重大的改善。
2. Deep and Faithful Large Language Model Reasoning with Knowledge-guided Retrieval Augmented Generation
【要點】本文提出了 Think-on-Graph 2.0，一種改進的檢索增強生成框架，透過與知識圖譜對齊並將其作為導航工具，深化和精煉了資訊收集和整合的 RAG 範式，提高了大型語言模型回應的準確性和可靠性，展示了混合結構化知識系統顯著推進 LLM 推理的潛力。
【方法】Think-on-Graph 2.0 框架透過知識圖譜引導的檢索，對齊問題並利用圖譜作為導航，增強了資訊檢索的深度和範圍，確保了邏輯一致性與語義相似性。
【實驗】作者在四個公共資料集上進行了大量實驗，結果顯示 Think-on-Graph 2.0 方法相較於基線方法具有優勢。