关于RAG技术会不会被淘汰的问题，作者认为应该不会被淘汰；但肯定会随着大模型技术的发展不断地迭代和演进。
下面我们就来详细梳理一下为什么RAG技术不会被淘汰。
首先，关于RAG技术被淘汰的原因无非就是说大模型的能力越来越强，参数越来越大，泛化能力越来越强，所以以后不再需要RAG这种外部增强工具。
但我们来思考一个问题，虽然大模型的能力会越来越强大，但其能力总是有限的，大模型总不可能真正成为一个无所不能的“神”，至少在可见的未来这种情况几乎不可能实现。
其次，目前模型主要采用的还是预训练的方式，虽然也有反馈学习等方式的出现；但大模型并没有真正学会自主学习，对实时数据依然无法进行处理，而这正是RAG发挥作用的地方。
再有，马克思所推崇的第一性原理，一切以物理规律为基础；大模型的能力增强，但其体积和存储空间也会不断增大；但我们知道物理存储是有极限的，不可能所有都行都能存储下来。
再者说，即使不考虑物理存储的问题，大模型完全依靠自身能力去存储所有数据；但这个成本怎么办？
对很多企业来说，训练和微调一次模型的成本是不可接受的；哪怕可以接受，有更便宜和方便的RAG技术，为什么不去选择RAG而是选择训练或微调？
训练和微调模型的成本不仅仅只包括资金成本，同时还包括技术成本和时间以及迭代成本。
比如说，训练或微调一个金融领域的模型，就只能应用于金融领域；但如果有需求需要处理法律领域的问题该怎么办？
这时又需要重新训练一个新的法律模型，虽然说微调和训练能让模型在特定领域上表现更好，但其缺点同样不可忽视。
而使用RAG技术就没有这方面的顾虑，只需要训练一个NLP任务的模型；然后处理金融领域就加载金融领域的数据，处理法律领域的问题，就加载法律领域的数据。
所以RAG具备模型训练所不具备的优势：
而且从目前的RAG技术发展来看，RAG技术也经过了几次版本的迭代；从刚开始的纯文本检索的RAG技术，到现在的相似度检索，图结构存储，认知增强和分布式RAG等。
更多的还可以把RAG技术与其它领域的技术相结合，比如说智能体，通过智能体来实现RAG的自主检索的功能。
RAG不会消失，而是会进化为智能系统的核心基础设施。其价值不在于取代大模型，而在于构建可持续进化的认知体系。拒绝RAG的企业，将在AI落地深水区失去关键竞争力。
