计算机科学与探索

作者：马逸博, 陈希亮, 章乐贵, 赖俊

单位：陆军工程大学 指挥控制工程学院，南京 210001

关键词：检索增强生成,大语言模型（LLM）,任务规划

基金：国家自然科学基金（62273356）。

检索增强生成（RAG）技术通过动态集成外部知识有效缓解大语言模型的幻觉问题和知识时效性的限制，已经成为提升大语言模型任务响应准确性的关键范式，但是如何高效使用检索增强生成架构以适配复杂任务的规划需求仍然是当前的核心挑战。作为一种流行的解决方案，根据不同的时机触发检索增强生成，显著增强了大语言模型在知识密集型场景和复杂规划任务中的规划鲁棒性。阐释了检索增强生成框架中决策触发时机的必要性；聚焦RAG增强任务规划的触发时机这一核心议题，将相关触发机制分为规则导向型触发、状态自适应型触发以及交互反馈型触发三类，并展开系统综述；从检索增强规划的基础范式出发，介绍任务规划中检索生成架构的一般作用，将现有工作抽象为全局节点规划与层级任务规划两种进阶范式，并进一步从时间、空间与安全三个维度对三种范式进行统一扩展，形成记忆增强RAG、多智能体协同RAG与对抗鲁棒RAG的跨范式演进框架；总结了目前检索增强生成技术辅助任务规划在实际应用上存在的挑战。

来源：2026年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2026年第4期