随着 GPT-4o 等长上下文语言模型（支持数万 Token 输入）的兴起，一个核心问题摆在 NLP 研究者面前：传统复杂的多阶段检索增强生成（RAG）管道，是否仍然必要？斯坦福大学的最新研究《Stronger Baselines for Retrieval-Augmented Generation with Long-Context Language Models》给出了一个反直觉的答案：一种名为DOS RAG（Document’s Original Structure RAG） 的简单单阶段方法，在多个长上下文问答基准上，性能 consistently 超过或匹配 ReadAgent、RAPTOR 等复杂多阶段系统。
传统 RAG 系统为绕过早期 LM 的上下文限制，常采用抽象预处理、迭代摘要等复杂流程，却引入了计算开销。而 DOS RAG 的设计极其简洁：
- 检索 – 阅读一体化：沿用 Vanilla RAG 的检索逻辑（基于 Snowflake Arctic-embed-m 1.5 嵌入模型），但关键区别在于 —— 将检索到的文档块按原文顺序重新排列，而非按相似度排序。
- 保留叙事连续性：这种排序策略让 LM 能像阅读完整文档一样处理上下文，既过滤了无关内容，又避免了 Vanilla RAG 中碎片化排序导致的逻辑断层。
用论文作者的话来说：“当 LM 能直接处理长文本时，或许‘让文档自己说话’比强行摘要更有效。”
研究团队在三大长上下文问答基准上展开测试：
- ∞Bench（平均文档长度 184K Token）：当 Token 预算超过 5K 时，DOS RAG 比 ReadAgent 和 RAPTOR 高出 2-8 个百分点，在 30K Token 时准确率达 93.1%。
- QuALITY（2K-8K Token 文档）：全文档输入（Full-Document Baseline）性能最佳，但在 Token 受限场景下，DOS RAG 仍是检索方法中的最优解。
- NarrativeQA（平均 57K Token 故事）：DOS RAG 以仅 1/3 的 Token 消耗，超越 ReadAgent，F1 分数提升显著。
更有趣的是，复杂方法如 ReadAgent 虽消耗 86K Token（远超 DOS RAG 的 30K），但性能反而更低，凸显了 “过度设计” 的边际效益递减。
- 原文检索优于摘要生成：直接检索原文避免了摘要过程中的信息丢失。实验显示，Vanilla RAG（无摘要）始终优于 RAPTOR（分层摘要）。
- 召回率优先于精确率：在 LM 有效上下文内（约 30K Token），尽可能多地包含相关内容比精准过滤更重要。全文档输入在短文档场景下的优势印证了这一点。
- 顺序即逻辑：文档原结构保留了叙事和论证的连贯性。打乱顺序的 Vanilla RAG 在长 Token 预算下性能显著低于 DOS RAG。
- 简单战胜复杂：多阶段管道的多次 LM 调用增加了延迟和成本，却未带来性能提升。在强 LM 支持下，“少即是多”。
- 基线选择的革新：建议将 DOS RAG 作为未来 RAG 研究的标准基线，便于公平比较复杂度与效果的权衡。
- 工程落地的考量：在实际应用中，DOS RAG 的简单性意味着更低的部署成本和更高的可解释性，尤其适合对延迟敏感的场景。
- LM 与检索的协同：随着 LM 上下文进一步扩展（如 100K Token），检索可能从 “信息过滤” 转向 “精准定位”，但原文结构的保留仍可能是关键。
当前研究仍有边界：
- 仅测试了单文档问答，多文档推理场景下复杂方法可能仍有优势；
- 未全面评估嵌入模型与 LM 的协同优化，未来可探索更先进的检索技术（如向量数据库与 LM 的联合训练）。
这篇论文揭示了一个重要趋势：长上下文 LM 正在重塑 RAG 的设计范式。当模型本身具备更强的上下文理解能力时，复杂的中间处理步骤可能不再必要。DOS RAG 的成功证明：在 NLP 领域，有时 “保持简单” 才是应对技术演进的最优解。
