RAG 检索增强

1. 3 秒看懂

RAG 是把企业私有知识、网页索引或数据库记录先检索再喂给大模型，核心目标是在 1 次回答中降低幻觉、提高可追溯性，并把 2026 年 AI 应用预算从“纯模型调用”迁移到“数据底座 + 检索 + 重排”。123

投资上，RAG 不是 1 个单独软件品类，而是 3 个收入池叠加：向量库/搜索引擎、数据云/数据库、云厂商 AI Search 与托管 RAG；Elastic、MongoDB、Snowflake、Microsoft、Cloudflare 等 5 类平台都在争同一条企业知识入口。24567

技术上，2026 年主线已从“只做向量相似度”转向“BM25/关键词 + 向量 + 元数据过滤 + rerank”，反证指标是混合检索的 Recall@K 或答案引用命中率连续 2 个季度低于纯关键词搜索。389

2. 3 分钟产业解释

RAG 的基本流程是把文档切成 chunk、用 embedding 模型变成 1536 维或 3072 维向量、写入向量索引，再在用户提问时做相似度检索、关键词检索、权限过滤和 rerank，最后把 Top-K 证据放进 LLM 上下文窗口生成答案。110 OpenAI 官方文档显示 text-embedding-3-small 默认 1536 维、text-embedding-3-large 默认 3072 维，这使存储成本、索引内存和检索延迟成为 RAG 项目的第 1 层成本函数。10

企业采用 RAG 的直接原因有 3 个：第一，模型训练截止日和企业私有数据之间存在时间差；第二，法律、客服、代码、投研等场景要求 1 条回答对应 1 组可点击证据；第三，微调 1 个模型无法覆盖每天更新的权限、价格、合同和工单。1611 MongoDB 2025 年披露的 IDC 调研口径显示，超过 74% 的组织计划在 agentic AI 工作流中使用集成向量数据库，该数字说明向量检索已从实验组件转向企业数据平台采购项，但它来自公司新闻稿引用的 IDC 调研，本文按 B 级处理。4

RAG 的产业化瓶颈不是“有没有向量库”，而是“检索出来的 5-20 个 chunk 是否真的能支撑答案”。Snowflake Cortex Search、Azure AI Search、Elastic 和 MongoDB 都把混合检索写进官方文档，原因是纯向量检索容易漏掉 SKU、错误码、合同编号和专有名词，纯 BM25 又容易漏掉同义表达和语义相关段落。2358 因此 2026-2028 年财报兑现更可能落在既有搜索、数据库和数据云厂商的附加消费，而不是只落在独立向量库初创公司的 ARR。6121314

3. 15 分钟专家深入

RAG 的价值链可以拆成 7 层：数据接入、解析切分、embedding、向量/关键词索引、检索融合、rerank、生成与评测。123 每层都有不同的收入归属：数据接入和权限治理归 Microsoft/Snowflake/Databricks 类平台，索引和检索归 Elastic/MongoDB/Pinecone/pgvector 类系统，rerank 归 Cohere/OpenAI/云厂商模型服务，生成归 OpenAI/Anthropic/Microsoft/AWS/Google 等模型平台。2568910

企业 RAG 项目的第 1 个可计算口径是 RAG 年化收入 = 知识库用户数 × 月查询数 × 每次检索成本 + 索引数据量 × 存储/计算单价 + rerank 次数 × rerank 单价。1910 公开资料通常披露公司总收入、云收入或产品收入，却很少披露 RAG 单独收入、向量索引数据量、rerank 调用量和企业查询数，因此本文把公司总收入与产品能力用 A/B 级来源支撑，把 RAG attach rate、RAG 收入和估值贡献标为情景推算。612131415

第 2 个可计算口径是质量闭环：答案准确率 = 检索召回率 × rerank 命中率 × 引用约束 × 模型遵循率。389 Microsoft 公开白皮书显示，在其测试集合中 Hybrid + Semantic Ranker 新版平均分达到 71.1，高于 Text only 的 42.6 和 Vector 的 45.1；这不是全行业标准测试，但足以说明“向量库单点”不是 RAG 质量上限，混合检索和语义重排才是企业级答案质量的主战场。8

第 3 个投资口径是平台替代：如果 RAG 被数据库、搜索引擎和数据云原生吸收，独立向量库的价值会从“主数据库”下沉为“索引能力”；如果企业需要跨 5 个以上数据源、毫秒级相似度检索和专用召回调参，独立向量库仍能维持开发者心智和高性能溢价。467 2026 年最硬的验证指标不是 GitHub demo 数量，而是 3 个财务指标：Elastic Cloud 占比、MongoDB Atlas 增速、Snowflake product revenue 与 Microsoft Azure AI Search 消费是否同步高于公司平均增速。12131416

4. 技术原理

RAG 的底层数学是把文本、图片或代码映射到向量空间，再用余弦相似度、点积或欧氏距离找到 Top-K 近邻；OpenAI text-embedding-3-small 默认 1536 维、text-embedding-3-large 默认 3072 维，向量维度每提高 2 倍通常会带来更高存储、内存带宽和索引构建成本。10 向量索引常见路线包括 HNSW、IVF、PQ 和 brute-force ENN，MongoDB 官方文档披露 Atlas Vector Search 支持 ANN 与 ENN，且 ANN 使用 HNSW 算法。4

生产级 RAG 通常采用 2 阶段或 3 阶段检索：第 1 阶段用 BM25/关键词找精确词、第 2 阶段用向量找语义相近段落、第 3 阶段用 cross-encoder 或语义 reranker 对 20-100 个候选结果重排成 5-10 个证据 chunk。389 Cohere 官方文档把 rerank-v3.5 定位为文档和半结构化 JSON 的重排模型，Pinecone 文档也建议对合并去重后的候选结果使用托管 reranking 模型再返回 Top-10，这说明 rerank 已从可选优化变成企业 RAG 的常规组件。917

技术瓶颈有 4 个量化维度：chunk 长度、Top-K 数量、权限过滤复杂度和端到端延迟。1258 Snowflake 建议 Cortex Search 的搜索文本 chunk 不超过 512 tokens，Azure AI Search 支持在同一请求中组合 text query 与 vector query，Elastic 文档支持 BM25 与 vector 通过 RRF 融合，这 3 个官方口径共同指向“检索质量优先于单一向量维度”。235

5. 上游依赖 / 下游影响

上游依赖：

• Embedding 模型：1536 维与 3072 维决定索引存储、内存带宽和召回质量的第 1 个权衡，OpenAI 2024 年发布的 2 个 embedding-3 模型仍是 2026 年企业 RAG 常用基准之一。10
• 搜索/数据库内核：Elastic 的 BM25 + vector + RRF、MongoDB 的 $vectorSearch 与 $rankFusion、Snowflake Cortex Search 的 hybrid + rerank，分别代表搜索引擎、文档数据库和数据云 3 条路线。2345
• 权限与治理：Microsoft 365、SharePoint、Snowflake RBAC 和 MongoDB Atlas 权限若不能在检索阶段过滤，RAG 在金融、医疗和法务场景的上线概率会下降 50% 以上的情景权重。6818
• GPU/CPU 推理：rerank 与生成会把每次问题从 1 次向量查询扩展为 1 次检索 + 1 次重排 + 1 次 LLM 生成，若每千次答案毛利低于 0，免费或低价 RAG 功能会被限流。910

下游影响：

• 对企业软件，RAG 把知识库、客服、BI、代码库和合同库从“搜索框”升级为“可追问答案”，2026 年验证项是每席位 ARPU 是否因 AI add-on 提升 10%-30% 的情景区间。6818
• 对数据库厂商，RAG 把向量索引变成 Atlas、Elasticsearch、Snowflake、Postgres 和 Redis 的标准工作负载，反证指标是客户仍把 80% 以上新向量数据放在独立向量库而非主数据库。4567
• 对模型厂商，RAG 降低微调和长上下文的替代压力，但会增加 embedding、rerank 和 generation 的组合调用量，收入方向从单次 chat completion 变成多 API 编排。910
• 对数据安全厂商，RAG 增加数据泄露、越权检索和引用污染风险，2026-2028 年会推高 AI gateway、DLP、审计日志和权限同步需求。718

6. 技术路线对比表

7. 关键指标

• 检索召回率：按 Recall@5、Recall@10 和引用命中率月度追踪，若混合检索较纯向量或纯 BM25 提升低于 5 个百分点，RAG 项目 ROI 会下降。819
• 端到端延迟：按 P50/P95 追踪检索、rerank、生成 3 段耗时，若 P95 超过 3 秒且业务是客服或搜索，用户转化率会显著承压的方向判断成立。919
• 每千次答案毛利：用 检索收入 + AI add-on 收入 - embedding - vector DB - rerank - LLM 生成 计算，若 2027 年仍为负，免费 RAG 功能会被限额。91019
• RAG attach rate：用 启用 RAG 的企业客户 / AI 客户 计算，公开口径不足，需从 Elastic Cloud、MongoDB Atlas、Snowflake Cortex、Azure AI Search 消费增速侧面验证。612131416
• 索引数据规模：用向量条数、维度、更新频率和副本数追踪，OpenAI 1536/3072 维基准使 1 亿条文档的存储和重建成本成为预算约束。1019
• 权限过滤命中率：用越权召回率和缺失召回率追踪，若 1 次越权证据进入答案，金融和医疗场景会把 RAG 从生产退回试点。1819
• 客户扩张信号：Elastic FY2025 revenue 15.02 亿美元、MongoDB FY2026 revenue 20.5 亿美元、Snowflake FY2026 product revenue 47.2 亿美元分别是 RAG 相关平台扩张的 3 个基数。121314

8. 可算传导表

模型口径：RAG 单独收入缺少 A/B 级公开披露，所以下表把 A/B 级公司收入基数与 RAG attach rate 情景拆开；所有 RAG TAM、出货、ASP、份额和毛利贡献均为情景推算，不作为公司指引。12131419

敏感性：若 RAG attach rate 比中性情景高 10 个百分点，Elastic、MongoDB、Snowflake 的 2026E RAG 收入分别增加约 0.45 亿、0.51 亿、0.94 亿美元；若每 1,000 次检索等效 ASP 下滑 25%，毛利贡献会在相同调用量下同步下滑 25%。19

9. 同业硬指标对比表

10. 投资逻辑 + 业绩传导

RAG 的投资主线是“企业数据资产被模型重新调用”，因此受益顺序通常是数据所在平台先于独立工具：Microsoft 拥有 M365/SharePoint 与 Azure AI Search，Snowflake 拥有数据云与 Cortex Search，MongoDB 拥有开发者数据库与 Atlas Vector Search，Elastic 拥有企业搜索与日志检索基础。2348 如果企业把 60% 以上私有知识继续留在既有数据库和数据云，RAG 会提高这些平台的消费强度；如果跨源检索和专用调参成为主流，独立向量库和 rerank API 的收入弹性会更高。7917

财报验证应看 3 条线：第一，搜索/数据库公司的 AI 产品是否提高 net expansion 或云收入增速；第二，RAG 是否把 embedding、vector storage、rerank 和 LLM generation 打包为可计费用量；第三，企业是否愿意为引用质量和权限治理支付 10%-30% 的 AI add-on 溢价。68121314 估值上，N/M 或高 PE 的软件股不能只用“RAG 概念”重估，必须看到 RAG 收入 × 毛利率 × 净利转化率 的可审计桥接。1920

企业知识库 / 工单 / 合同 / 代码数据增长
        ↓
chunking + embedding + 向量/关键词索引
        ↓
混合检索召回 × rerank 命中率
        ↓
RAG 查询量 × 每千次检索等效 ASP
        ↓
平台收入 × 毛利率 - 推理/索引/重排成本
        ↓
税后净利 × PE = 估值贡献

11. 常见误读纠偏

误读 1：RAG 等于买 1 个向量数据库

实际情况：向量库只是 7 层 RAG 栈中的 1 层，企业上线还需要解析、权限过滤、BM25/关键词、元数据过滤、rerank、引用校验和监控评测；Elastic、MongoDB、Snowflake、Azure 都把 hybrid 或 rerank 写成官方能力，说明单一向量相似度不是生产闭环。2348

证据：Snowflake Cortex Search 默认结合 vector、keyword 和 rerank，Azure AI Search 支持 hybrid query 与 semantic ranker，Elastic 支持 BM25 与 vector 的 RRF 融合。238

误读 2：RAG 一定能消灭大模型幻觉

实际情况：RAG 只能把 5-20 个证据 chunk 放到上下文中，若检索召回错、权限过滤漏、rerank 排错或模型不遵循引用，答案仍会幻觉；因此关键 KPI 是引用命中率和人工评测通过率，而不是“是否接了向量库”。1819

证据：Microsoft 白皮书显示 hybrid + semantic ranker 在测试集合中显著高于 text only 和 vector，但该提升来自检索与重排组合，不是来自单一 embedding 维度。8

误读 3：长上下文模型会让 RAG 消失

实际情况：长上下文能减少检索步骤，但 100 万 token 级上下文仍要面对权限、时效、成本和引用可追责 4 个问题；RAG 的经济价值在于先筛出 5-10 个高相关证据，而不是把 1 个企业知识库全部塞进上下文。11019

证据：OpenAI embedding 模型、Snowflake 512-token chunk 建议和 Cohere rerank 文档都表明企业仍在用“小片段召回 + 重排 + 生成”的 3 段式架构。2910

12. 最新事件

• [已发生] 2024-01-25：OpenAI 发布 text-embedding-3-small 与 text-embedding-3-large，默认维度分别为 1536 和 3072，成为 2024-2026 年 RAG embedding 常用基准之一。10
• [已发生] 2024-2025：Snowflake Cortex Search 文档明确采用 hybrid retrieval 与 semantic reranking，并建议搜索文本 chunk 不超过 512 tokens。2
• [已发生] 2025-04-10：AWS Bedrock Knowledge Bases 宣布对 Aurora PostgreSQL 与 MongoDB Atlas vector stores 支持 hybrid search，显示云厂商把 RAG 检索能力继续下沉到数据库连接层。24
• [已发生] 2025-09-17：MongoDB 扩展 Search 与 Vector Search 到 self-managed 预览，并引用 IDC 调研称超过 74% 组织计划在 agentic AI 工作流中使用集成向量数据库。4
• [指引] 2026-02-25：Snowflake FY2026 业绩披露 product revenue 47.2 亿美元、RPO 97.7 亿美元、adjusted FCF margin 23%，Cortex Search 的收入弹性应在产品消费和 RPO 中验证而非单独假设。14
• [行业预测] 2026-2028：本文中性情景假设企业 RAG attach rate 每年提升 5-10 个百分点，但公开 A/B 级资料尚未披露统一 RAG 收入口径，需用公司后续 AI 产品披露补强。19

13. 来源 footnotes

1 Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks — Lewis et al. / arXiv — 2020 — https://arxiv.org/abs/2005.11401 — (A)

2 Cortex Search Overview — Snowflake Documentation — 2026 访问 — https://docs.snowflake.com/en/user-guide/snowflake-cortex/cortex-search/cortex-search-overview.html — (B)

3 Ranking and reranking: hybrid search, BM25, vector search and RRF — Elastic Documentation — 2026 访问 — https://www.elastic.co/docs/solutions/search/ranking — (B)

4 MongoDB Extends Search and Vector Search Capabilities to Self-Managed Offerings — MongoDB — 2025-09-17 — https://investors.mongodb.com/news-releases/news-release-details/mongodb-extends-search-and-vector-search-capabilities-self — (B)

5 How to Perform Hybrid Search — MongoDB Atlas Documentation — 2026 访问 — https://www.mongodb.com/docs/atlas/atlas-vector-search/hybrid-search/ — (B)

6 MongoDB Vector Search Overview — MongoDB Documentation — 2026 访问 — https://www.mongodb.com/docs/atlas/atlas-vector-search/vector-search-overview/ — (B)

7 Cloudflare Vectorize: Vector Database for RAG Applications — Cloudflare — 2026 访问 — https://www.cloudflare.com/products/vectorize/ — (B)

8 Raising the bar for RAG excellence with Azure AI Search — Microsoft — 2024 — https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/final/en-us/microsoft-brand/documents/ai-search-query-engine-performance-whitepaper.pdf — (B)

9 Cohere Rerank Model Documentation — Cohere — 2026 访问 — https://docs.cohere.com/v2/docs/rerank — (B)

10 Vector embeddings and text-embedding-3 model dimensions — OpenAI API Documentation — 2026 访问 — https://platform.openai.com/docs/guides/embeddings — (B)

11 New embedding models and API updates — OpenAI — 2024-01-25 — https://openai.com/index/new-embedding-models-and-api-updates/ — (B)

12 Elastic FY2025 Annual Report and Q4 FY2025 Results — Elastic / SEC / BusinessWire — 2025 — https://www.sec.gov/Archives/edgar/data/1707753/000170775325000037/annualreport-fiscalyear2025.pdf — (A)

13 MongoDB FY2026 Form 10-K and annual results — MongoDB / SEC — 2026 — https://www.sec.gov/Archives/edgar/data/1441816/000162828026016799/ — (A)

14 Snowflake Reports Fourth Quarter and Full-Year Fiscal 2026 Results — Snowflake — 2026-02-25 — https://www.snowflake.com/en/news/press-releases/snowflake-reports-financial-results-for-the-fourth-quarter-and-full-year-of-fiscal-2026/ — (A)

15 Datadog FY2025 Form 10-K and annual results — Datadog — 2026-02-18 — https://investors.datadoghq.com/static-files/5b3df1c8-8a56-4bee-8b2d-2e2f70239c36 — (A)

16 Cloudflare Announces Fourth Quarter and Fiscal Year 2025 Financial Results — Cloudflare — 2026-02-10 — https://cloudflare.net/files/doc_financials/2025/q4/Q4-25-Exhibit-99-1_FINAL.pdf — (A)

17 Hybrid Search and Rerank Results — Pinecone Documentation — 2026 访问 — https://docs.pinecone.io/guides/search/hybrid-search — (B)

18 GraphRAG: From Local to Global Knowledge Discovery — Microsoft Research — 2024 — https://www.microsoft.com/en-us/research/project/graphrag/ — (B)

19 本文 RAG 收入、attach rate、调用量、ASP、毛利与估值情景模型 — 基于 2-18 的情景推算 — 2026-05-28 — internal model — (C)

20 ESTC/MDB/SNOW/DDOG/NET/MSFT market data snapshot — finance snapshot, 2026-05-27 16:00 EDT close; USD; PE = price / TTM EPS, N/M for negative TTM EPS — 2026-05-28 访问 — market data aggregator — (C)

21 MongoDB Acquires Voyage AI — MongoDB — 2025-02 — https://www.mongodb.com/company/blog/product-release-announcements/mongodb-acquires-voyage-ai — (B)

22 Introducing AutoRAG: fully managed Retrieval-Augmented Generation on Cloudflare — Cloudflare Blog — 2025 — https://blog.cloudflare.com/introducing-autorag-on-cloudflare/ — (B)

23 Microsoft FY2025 Annual Report — Microsoft — 2025 — https://www.microsoft.com/investor/reports/ar25/index.html — (A)

24 Amazon Bedrock Knowledge Bases supports hybrid search for Aurora PostgreSQL and MongoDB Atlas vector stores — AWS — 2025-04-10 — https://aws.amazon.com/about-aws/whats-new/2025/04/amazon-bedrock-knowledge-bases-hybrid-search-aurora-postgresql-mongo-db-atlas-vector-stores/ — (B)