近年来，随着大语言模型及多模态大模型技术的飞速发展，人工智能在自然语言处理、代码生成、视觉理解及跨模态推理等任务中展现出前所未有的潜力。然而，受限于模型参数固有的知识边界，这些大模型在实际应用中仍普遍面临“知识幻觉”、数据时效性滞后以及私有领域数据缺失等严峻挑战，严重制约了其在垂直行业与复杂场景下的高可信落地。检索增强生成（Retrieval-Augmented Generation, RAG）技术作为连接大模型参数记忆与外部动态知识库的关键桥梁，通过在生成过程中引入实时、准确的外部检索信息（包括文本、图像、视频等异构数据），有效缓解了生成内容的不可靠性，显著提升了模型的可解释性与实用价值。尽管RAG技术已取得长足进步，但面对多模态融合的新趋势，仍存在诸多亟待解决的难题：如何设计高效的跨模态检索与语义对齐策略？如何优化生成器以在长上下文窗口中精准利用碎片化知识并抑制噪声干扰？如何在保证生成质量的同时降低系统的推理延迟与算力成本？如何构建面向特定垂直领域的自适应RAG系统？这些问题亟需学术界与工业界共同探索创新解决方案。
为深入探讨检索增强生成技术的前沿理论与技术突破，推动其在各领域的创新应用，《计算机科学与探索》与《计算机工程与应用》特设“检索增强生成技术与应用”专题。本专题旨在汇聚RAG核心算法与模型架构、新型范式、多模态检索增强生成与知识融合、系统效率与安全评测、垂直领域应用与实践等领域的优秀研究成果，为构建高可信、低幻觉、可扩展的智能系统提供理论支持与实践指导。
欢迎学术界与工业界同仁踊跃投稿，共同推动多模态大模型的理论、技术创新与产业应用落地！
专题主题（包括但不限于以下方向）
1. RAG核心算法与模型架构
● 面向RAG的高效索引与混合检索策略
● 检索结果的重排序（Reranking）与去噪技术
● 生成器的微调与偏好对齐（针对检索上下文的优化）
● 检索器与生成器的协同优化与微调
● 端到端训练的RAG模型架构设计
2. 高级RAG范式与知识融合
●基于知识图谱的检索增强生成（GraphRAG）
● 模块化RAG与自适应检索策略（Self-RAG）
● 长上下文（Long Context）与RAG的协同机制
● 结构化数据与非结构化数据的混合检索增强
3. 多模态检索增强生成
● 跨模态检索与语义对齐（文本-图像/视频/音频）
● 多模态RAG中的统一表示学习
● 基于检索的多模态内容生成与编辑
● 多模态知识库的构建与动态更新
4. RAG系统的效率、安全与评测
● 轻量化RAG模型与低延迟推理优化
● RAG系统中的隐私保护与数据安全
● 抗幻觉机制与生成内容的可解释性归因
●RAG系统的性能评估基准（Benchmarks）与评测方法
5. 垂直领域应用与系统实践
●面向医疗、金融、教育等垂直领域的RAG系统构建
●基于RAG的智能体（Agent）与工具调用
●企业级私有知识库的RAG部署方案
●低资源场景下的RAG技术适配
特邀编辑
● 王 鑫 教授 天津大学
● 赵 翔 教授 国防科技大学
● 杨世宇 教授 广州大学
● 李博涵 副教授 南京航空航天大学
投稿指南
1. 征文类型：原创研究论文、综述与前沿技术探讨。论文必须具有原创性、学术性、科学性、准确性、规范性和可读性，所述内容应为作者独立或与他人合作完成的研究成果，且未在国内外公开发行的刊物或会议上发表过，不存在一稿多投问题。
2. 格式要求：中文撰写，Word格式排版，版式请参照《计算机科学与探索》提供的“论文写作模板”以及近期已发表的论文。
3. 投稿方式：请通过《计算机科学与探索》官方网站（http://fcst.ceaj.org）在线投稿系统进行投稿，同时请提供作者联系方式，并请在论文标题后注明“（RAG技术与应用）”字样（否则按自由来稿处理）。
4. 发表期刊：编辑部将根据专家推荐及作者意向，将本专题录用的论文分配至《计算机科学与探索》和《计算机工程与应用》上发表。
重要日期
● 收稿截止日期：2026年5月15日
● 预录用结果通知：2026年7月20日
● 计划出版时间：2026年11月
联系方式
地址：北京市海淀区北四环中路211号电科太极北四环园区
电话：010-89056056
E-mail：fcst@vip.163.com
评论 0