假如LLM无限上下文了，RAG还有意义吗？
最近一年，LLM的上下文长度有了非常长的扩展，从早期的4096个token到最近kimi chat的200万token，因此很多人就认为LLM不需要RAG了。实际上这个想法其实是错误的。
RAG的本质是包含两个步骤，一是召回（检索），二是推理。。大部分人以为RAG只是服务于私有知识库，然而RAG的应用是可以很广泛的。例如我们设计一个带感情色彩的聊天机器人，这个聊天机器人回答的语气的示例（也就是few shot learning）是可以通过RAG来召回的，在这个例子中召回的是示例。再比如，我们让LLM使用外部工具，外部工具可能特别的多，那么可以让RAG来帮忙对工具进行初步的召回和检索，原因是过多的信息（例如塞入全部工具的描述）会增加LLM的失误率，使得容错率降低。
最后，我们再以langchain的daniel在一个月前的分享来进一步说明为什么现在的长下文的LLM无法替代RAG。
大家可能知道有一种实验叫做大海捞针实验（Needle in a haystack），目的是测试LLM在长下文中的检索和推理能力。这个实验的大致思路如下：
- 在一段长文本（大海）中随机插入一些短文本（针）。
- 将这段文本输入给LLM，向LLM提问让它捞出来这些针。
正如我们前面说的，RAG是包含了召回（检索）和推理两部分。因此在大海捞针实验中，需要考察检索的准确率和推理的准确率。
Langchain基于GPT-4做了如下的实验，并得到了下面两个图。
首先看左边这个图，左边的图横坐标是有多少根“针”，纵坐标是查全率。由于有检索和推理两个任务，因此他们设计了两种问题。一个问题是问LLM这段文本中，针在哪里，也就是检索出针。第二个问题是推理问题，不仅要找到针，还需要对针进行推理，例如让LLM告诉我们这些针的第一个字母是什么。
左边的图告诉我们两个事实，首先绿色的柱子是第一个问题，红色的柱子是第二个问题。明显问题二的查全率低于问题一，这说明推理比检索要难，这个很好理解，毕竟推理不仅要检索出来，要需要基于检索结果做一些推理。其次，随着插入大海中针的数量的增加，查全率在降低。
接着我们看第二个图，第二个图横坐标是输入LLM的上下文，也就是“海”的长度，纵坐标是10个针的位置，越上面的针表示在上下文的前面，越下面的针表示在上下文的后面。这个图同样告诉我们两个事实。事实一是随着上下文长度的增加，查全率在不断降低。事实二是靠近上下文尾巴的针更不容易被遗漏，越靠前的针越容易被遗漏。
实际上，论文《Attention Sorting Combats Recency Bias In Long Context Language Models》提出了一个观点。在使用下一个token预测这种方式训练的时候，实际上存在偏差(bias)，因为我们训练语料中，下一个token预测的真实值大部分和附近的token有关，这导致LLM会倾向于更多的关注最近（Recency）的token，而容易忽略前面的token，论文中将这种现象称为Recency Bias。因此，Recency Bias可以在一定程度上解释上面两个图的结果。
综上，目前LLM在长文本的语境中做检索加推理还有很大的局限性，这种局限性甚至可能是由于下一个token预测这种训练范式导致的，因此RAG并没有被替代掉。
最后，我认为应该将RAG视作一种LLM可以使用的外部工具，在能使用外部工具的前提下，肯定是要优先使用这些工具，好比让人查询文档中的相关内容，人也会根据结构化的标题以及ctrl+f功能进行快速的检索和定位（也就是借助外部工具），而不是从头到尾通读整篇文档。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～