RAG 論文怎麼讀：從向量檢索 DPR 到 Lewis RAG

建議把本頁加入書籤。 論文閱讀總覽 已有三條閱讀路徑。若你剛讀完 DPR 與 Lewis RAG，想知道這兩篇 2020 經典如何銜接、下一篇該讀哪篇，本頁提供一張關係圖與三種閱讀路線。

這不是新的論文筆記，也不取代各篇筆記裡的六個 Paper Essence 問題。它只回答：節點怎麼連、控制點改在哪、下一篇該點哪一條連結。姊妹定向頁是 AI Agent 論文怎麼讀：從 CoT、WebGPT 到 ReAct（Agent vs Retrieval）。

九十秒心智模型

1. 第一階段稀疏檢索（BM25／TF-IDF）是 DPR 必須勝過的預設。站上的 BM25 at scale 是後續研究：談的是語料變大之後的準確率—成本曲線，不是 2020 開放域 QA 那套協議。
2. DPR（Karpukhin et al., 2020）把第一階段檢索改成 dense 雙編碼器（NQ top-20 78.4 vs BM25 59.1；搭配抽取式 reader 的 Exact Match 41.5）。Lewis RAG（Lewis et al., 2020）把生成改成條件化於取回的 Wikipedia 段落 $z$（NQ RAG-Seq Exact Match 44.5）。兩張表不要混讀。
3. 站上 2025–26 精讀延伸到多模態、工具路由、圖、記憶寫回、證據發現、金融 hard negatives、set-wise 重排與 read-before-final。每篇處理的問題與評測不同，後續數字不能混入 2020 的表。
4. 2020 RAG 不是 Production RAG 平台，也不是 Agent 迴圈。 它沒有企業權限、hybrid 堆疊、citation 服務規格，也沒有 search／read／final 的代理迴圈。

REALM 的聯合預訓練方法已有精讀：REALM。ORQA 目前只有 arXiv:1911.03868 原文連結，本站尚未提供完整精讀。Self-RAG 的「何時檢索」問題則已有精讀：Self-RAG。

方法關係圖

圖中標示「站上已有精讀」的節點，都可以直接點開對應筆記。REALM 與 Self-RAG 已有完整精讀；ORQA 目前仍只有 arXiv 原文連結。Self-RAG 處理的是模型何時應該檢索。

flowchart TB
  Sparse["稀疏檢索 BM25 / TF-IDF"]
  REALM["站上已有精讀：REALM 2020<br/>昂貴聯合預訓練"]
  Sparse --> DPR["DPR 2020<br/>dense 雙編碼器段落檢索"]
  REALM --> DPR
  DPR --> RAG["Lewis RAG 2020<br/>檢索接上生成"]
  Sparse --> BM25leaf["站上已有精讀：BM25 at scale"]
  RAG --> Anything["站上已有精讀：RAG-Anything"]
  RAG --> RAGMCP["站上已有精讀：RAG-MCP"]
  RAG --> Graph["站上已有精讀：GraphRAG vs RAG"]
  RAG --> ERM["站上已有精讀：RAG without Forgetting"]
  RAG --> DocMemo["站上已有精讀：DocMemo"]
  RAG --> FinRank["站上已有精讀：FinRank"]
  RAG --> Rubric["站上已有精讀：RubricRanker"]
  RAG --> ReadGate["站上已有精讀：推理前就可能失敗"]
  RAG --> SelfRAG["站上已有精讀：Self-RAG<br/>何時檢索"]

怎麼走這張圖

路徑 A · 最快：DPR 再加 Lewis RAG

1. DPR：先理解 dense 雙編碼器如何取代第一階段的稀疏檢索。
2. Lewis RAG：再看取回的 $z$ 如何條件化生成（RAG-Sequence／RAG-Token）。
3. 先停在這裡；等工作遇到多模態、圖、重排或其他具體問題，再讀對應的延伸研究。

路徑 B · 完整方法路徑：稀疏基線 → REALM → DPR → RAG

先讀 REALM，理解聯合檢索與預訓練的成本；再到 DPR 筆記比較 BM25 稀疏基線，接著讀 DPR 與 Lewis RAG。ORQA 是相關先前工作，本站目前只提供 ORQA arXiv:1911.03868 原文連結。

這條路建立方法底座，不取代 論文精讀總覽的檢索系統路徑。總覽路徑會在 REALM、DPR 與 RAG 之後，繼續加入多模態、工具、圖與 runtime 等延伸研究。

路徑 C · 依工作選下一篇

你的工作卡住的點	建議下一篇	它延伸的問題
語料變大、hybrid／規模成本	BM25 at scale	稀疏檢索在大規模下的準確率—成本，不是 2020 ODQA 協議
PDF／圖表／多模態文件	RAG-Anything	檢索對象從純文字段落變成可回指的多模態節點
工具 schema 太多、要先檢索再呼叫	RAG-MCP	把「檢索」用在工具描述路由，不是授權
要不要上知識圖譜	GraphRAG vs RAG	圖索引是不是這類問題的必要升級
成功的 expansion 能不能寫回索引	RAG without Forgetting	記憶寫回與 correctness gate
證據要動態探索，不是一次 top-$k$	DocMemo	證據發現過程
金融／難負例、證據接地	FinRank	排序與 hard negatives
Deep research 的 set-wise 重排	RubricRanker	重排契約
搜尋了卻沒讀證據就回答	推理之前就可能失敗	read-before-final；不是把 retrieval 品質換成 Read-Gate
模型要不要自己決定何時檢索	Self-RAG	when-to-retrieve；reflection tokens，不是 Read-Gate

節點一覽：控制點、一句話、不要誤讀

節點	改動的控制點	一句話	連結	不要誤讀
稀疏 BM25／TF-IDF	第一階段要不要靠詞重疊倒排	DPR 必須勝過的預設稀疏檢索	見 DPR 筆記內對照	對手基線，不是站上的 BM25-at-scale 後續研究
REALM	預訓練要不要聯合檢索與異步索引刷新	把檢索納入預訓練，但訓練與索引更新成本高；DPR 顯示段落檢索不一定需要同樣的聯合預訓練	站上已有精讀	方法基礎；不是 production RAG，也不是 Lewis RAG 生成表
ORQA	潛變數 dense 檢索＋ICT（相關先前）	REALM 的直接對照起點之一；本站不做精讀	arXiv:1911.03868	只連 arXiv；不要期待 2026 格式筆記
DPR	第一階段要不要改成 dense 雙編碼器	兩個 BERT、點積 MIPS；NQ top-20 78.4 vs 59.1，extractive EM 41.5	站上已有精讀	檢索表不是 Lewis RAG 的生成表
Lewis RAG	生成要不要條件化於取回的 $z$	BART＋DPR 初始化 retriever；NQ RAG-Seq 44.5	站上已有精讀	2020 方法論文 ≠ Production RAG 平台 ≠ Agent 迴圈
BM25 at scale	語料變大後準確率—成本如何變化	比較大型企業語料下稀疏檢索的準確率與成本，並檢視更複雜流程是否值得	站上已有精讀	後續研究；不是 2020 ODQA 協議
RAG-Anything	文件節點能不能保留多模態結構	表格／圖／公式可回指，不是 caption-only	站上已有精讀	後續研究；數字不回填 2020
RAG-MCP	太多 tool schema 時怎麼挑	先檢索候選 schema，再讓執行模型呼叫	站上已有精讀	後續研究；檢索不是授權
GraphRAG vs RAG	要不要為多跳／結構關係上圖	系統性比較圖與向量路線的採用邊界	站上已有精讀	後續研究；不是 Lewis RAG 的替換件
RAG without Forgetting	成功 expansion 寫回哪裡	correctness gate 後的 index adaptation	站上已有精讀	後續研究；寫回不是無條件記憶
DocMemo	證據要一次取回還是動態發現	動態證據探索，不是固定 top-$k$	站上已有精讀	後續研究；不是 xMemory（那是 Agent 記憶）
FinRank	金融難負例下證據怎麼排	evidence-grounded 排序方法	站上已有精讀	後續研究；數字不回填 2020
RubricRanker	Deep research 如何 set-wise 重排	用 rubric 做集合式重排	站上已有精讀	後續研究；不是第一階段檢索
推理前就可能失敗	search 之後、final 之前有沒有 read	證據前的程序失敗，不是讀完 gold 仍答錯	站上已有精讀	後續研究；Read-Gate ≠ retrieval 品質替代品
Self-RAG	要不要／何時呼叫檢索	自我反思決定 retrieve／critique	站上已有精讀	when-to-retrieve；不是 Read-Gate，也不是 Production RAG 閘門

本頁刻意不做的事

• 不取代六個 Paper Essence 問題。 每篇精讀仍要自己回答：論文解決什麼、舊方法差在哪、核心技術想法、一個輸入怎麼走完、標題主張靠哪筆證據、主張在哪裡停住。本頁只定向。
• 不發明 ORQA 精讀。 ORQA 仍只連 arXiv。REALM 與 Self-RAG 已有 REALM／Self-RAG 站上精讀；本頁只做定向，不重寫六個 Paper Essence 問題。
• 不重寫論文庫的 retrieval-systems 路徑敘事。 那條路徑從 REALM → DPR → RAG → Self-RAG 出發，再加入多模態、工具、圖與 runtime。本頁只解釋方法基礎，不是第四條閱讀路線。
• 不把後來數字回填經典，也不混用 DPR 與 Lewis RAG 兩張表。 證據、作者主張、Bloss0m 判斷仍分層寫在各篇精讀裡。
• 不納入 xMemory 或 AskChem。 xMemory 屬於 Agent 記憶；AskChem 處理 claim-centered synthesis，兩者都不在本圖的 RAG 方法路徑上。

讀法本身若還不熟，可搭配 高效學術論文閱讀：三遍掃描法。若要從產品架構而不是論文家族進入 RAG，改走 Enterprise RAG 完整指南。Agent 家族的姊妹圖見 AI Agent 論文怎麼讀：從 CoT、WebGPT 到 ReAct。

使用方式

• 從論文精讀總覽進來：三條閱讀路徑仍在；若你要知道 DPR／Lewis RAG 如何接到後續研究，可停在本頁再選連結。檢索系統路徑見 #reading-paths。
• 從某一篇經典精讀進來：文內若寫「閱讀地圖」，即指 本頁。
• 要讀英文版：同一篇地圖在 English。

參考

• 論文精讀總覽（含三條 PATH；檢索系統路徑見 #reading-paths）
• Karpukhin et al., 2020, Dense Passage Retrieval
• Lewis et al., 2020, Retrieval-Augmented Generation
• Guu et al., 2020, REALM — on-site note
• Guu et al., 2020, REALM arXiv
• Lee et al., 2019, ORQA
• Asai et al., 2023, Self-RAG
• 站內方法文：三遍掃描法
• 姊妹定向頁（Agent 家族）：AI Agent 論文怎麼讀：從 CoT、WebGPT 到 ReAct
• 另一張導覽（Harness 部落格，不是論文家族）：Harness Engineering 怎麼讀：長任務 Agent 的設定與驗證