論文の概要: Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems
- arxiv url: http://arxiv.org/abs/2601.05264v1
- Date: Fri, 07 Nov 2025 16:26:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-25 16:54:51.532089
- Title: Engineering the RAG Stack: A Comprehensive Review of the Architecture and Trust Frameworks for Retrieval-Augmented Generation Systems
- Title（参考訳）: RAGスタックのエンジニアリング: 検索型生成システムのためのアーキテクチャと信頼フレームワークの概観
- Authors: Dean Wampler, Dave Nielson, Alireza Seddighi,
- Abstract要約: この記事では、2018年から2025年までの学術研究、産業応用、実世界の展開に関する体系的な文献レビューを提供する。
レジリエンス、セキュア、ドメイン適応可能なRAGシステムのデプロイのための実践的なフレームワークを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This article provides a comprehensive systematic literature review of academic studies, industrial applications, and real-world deployments from 2018 to 2025, providing a practical guide and detailed overview of modern Retrieval-Augmented Generation (RAG) architectures. RAG offers a modular approach for integrating external knowledge without increasing the capacity of the model as LLM systems expand. Research and engineering practices have been fragmented as a result of the increasing diversity of RAG methodologies, which encompasses a variety of fusion mechanisms, retrieval strategies, and orchestration approaches. We provide quantitative assessment frameworks, analyze the implications for trust and alignment, and systematically consolidate existing RAG techniques into a unified taxonomy. This document is a practical framework for the deployment of resilient, secure, and domain-adaptable RAG systems, synthesizing insights from academic literature, industry reports, and technical implementation guides. It also functions as a technical reference.
- Abstract（参考訳）: 本稿は、2018年から2025年までの学術研究、産業応用、実世界の展開に関する総合的な体系的な文献レビューを提供し、現代のレトリーバル・拡張世代(RAG)アーキテクチャの実践的ガイドと詳細な概要を提供する。
RAGは、LCMシステムが拡張するにつれてモデルの容量を増大させることなく、外部知識を統合するためのモジュラーなアプローチを提供する。
研究と工学の実践は、様々な融合機構、検索戦略、オーケストレーションアプローチを含むRAG方法論の多様化の結果、断片化されてきた。
我々は、定量的評価フレームワークを提供し、信頼とアライメントの意味を分析し、既存のRAG技術を統一された分類に体系的に統合する。
この文書は、学術文献、産業報告、技術的実装ガイドからの洞察を合成し、レジリエンス、セキュア、およびドメイン適応可能なRAGシステムのデプロイのための実践的なフレームワークである。
技術的基準としても機能する。
関連論文リスト
- A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - Synergizing RAG and Reasoning: A Systematic Review [8.842022673771147]
大規模言語モデル(LLM)の最近のブレークスルーは、レトリーバル強化世代(RAG)を前例のないレベルまで押し上げている。
本稿では,RAGと推論の協調的相互作用を体系的に検討する。
論文 参考訳（メタデータ） (2025-04-22T13:55:13Z) - A Survey of Model Architectures in Information Retrieval [59.61734783818073]
2019年から現在までの期間は、情報検索(IR)と自然言語処理(NLP)における最大のパラダイムシフトの1つとなっている。
従来の用語ベースの手法から現代のニューラルアプローチまで,特にトランスフォーマーベースのモデルとそれに続く大規模言語モデル(LLM)の影響が注目されている。
今後の課題と今後の方向性について、先見的な議論で締めくくります。
論文 参考訳（メタデータ） (2025-02-20T18:42:58Z) - A Methodology for Evaluating RAG Systems: A Case Study On Configuration Dependency Validation [6.544757635738911]
Retrieval-augmented Generation(RAG)は、異なるコンポーネント、設計決定、ドメイン固有の適応の傘である。
現在、RAG評価の方法論は一般に受け入れられていないが、この技術への関心は高まりつつある。
本稿では,RAGシステムの健全かつ信頼性の高い評価手法の最初の青写真を提案する。
論文 参考訳（メタデータ） (2024-10-11T13:36:13Z) - Modular RAG: Transforming RAG Systems into LEGO-like Reconfigurable Frameworks [15.241520961365051]
Retrieval-augmented Generation (RAG)は、Large Language Models (LLM)の機能を大幅に強化した。
本稿では,既存のRAGパラダイムの限界について検討し,モジュール型RAGフレームワークを紹介する。
論文 参考訳（メタデータ） (2024-07-26T03:45:30Z) - REAR: A Relevance-Aware Retrieval-Augmented Framework for Open-Domain Question Answering [115.72130322143275]
REAR(Relevance-Aware Retrieval-augmented approach for open-domain Question answering, QA)
我々は,特殊な設計のアセスメントモジュールを組み込むことで,LLMベースのRAGシステムのための新しいアーキテクチャを開発する。
オープンドメインの4つのQAタスクの実験では、REARは以前の競争力のあるRAGアプローチよりも大幅に優れていた。
論文 参考訳（メタデータ） (2024-02-27T13:22:51Z) - Retrieval-Augmented Generation for Large Language Models: A Survey [17.82361213043507]
大きな言語モデル(LLM)には印象的な能力があるが、幻覚のような課題に直面している。
Retrieval-Augmented Generation (RAG) は,外部データベースからの知識を取り入れた,有望なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-12-18T07:47:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。