Retrieval-Augmented Generation（RAG）并未消亡，而是正经历深刻演进。在生成式AI早期，RAG因解决大模型上下文窗口有限的问题而广受欢迎——通过向提示词注入外部知识，提升回答准确性。然而，随着AI从单次交互走向自主智能体（agentic AI），传统RAG的局限性日益凸显：仅靠向量检索返回大量无关或冗余信息，反而导致“上下文污染”“上下文混淆”甚至性能下降。 如今，RAG已不再只是“检索+生成”的简单组合，而是演变为更复杂的“上下文工程”（Context Engineering）。这一新范式将检索视为智能体工具链中的一环，与写作、压缩、隔离和选择等能力协同工作。智能体需在任务过程中动态管理上下文，只保留关键信息，避免信息过载。例如，LangChain、LlamaIndex等框架已支持将检索作为可调用工具，结合记忆、工具调用和多源数据进行迭代推理。 知识图谱在这一演进中扮演核心角色。GraphRAG通过结构化实体与关系，使模型能进行更精准、可解释的推理。近年来，Meta、微软、三星、ServiceNow等企业纷纷布局知识图谱技术，推动其从数据管理工具升级为AI的“语义基石”。知识图谱不仅连接文档，还融合了元数据、业务规则和治理策略，成为实现“语义层”（Semantic Layer）的关键。 语义层是未来AI系统的基础架构，它为所有数据——无论结构化、半结构化还是非结构化——赋予一致的语义定义，使AI能跨系统、跨数据源理解、检索和推理。Snowflake的OSI倡议、Databricks的Mosaic AI评估框架、LangSmith的RAG测评模块等，均在推动建立涵盖相关性、准确性、可追溯性、时效性等多维度的评估体系。 此外，智能体需具备“政策即代码”（Policy-as-Code）能力，确保检索过程符合访问控制、合规要求和企业规范。Open Policy Agent、Oso等工具正将治理嵌入AI工作流。 总之，RAG并未终结，而是升维为以知识图谱为支撑、以语义层为框架、以上下文工程为核心的新一代AI数据架构。未来的AI系统，不仅需要“能查”，更需“懂”“信”“控”——在复杂企业环境中实现可解释、可治理、可信赖的智能决策。