RAG是什么？16种方案详解！

以后开发 AI 应用的过程中,无论遇到什么场景,douNeng选择Zui合适的 RAG 方案.而这篇文章,是对 RAG 技术的一个全景科普,从Zui初的 Naive RAG、到现在Zui主流的 Agentic RAG,总共 16 种主流 RAG 方案,我会一次性给大家讲清楚.缺乏私有知识,了解不到内部的文档写了什么.

RAG是一种结合信息检索与文本生成的技术,旨在提升大语言模型在回答专业问题时的准确性和可靠性。 检索增强生成优化大型语言模型 的交互方式,让模型根据指定的一组文件回应用户的查询,并使用这些信息增强模型从自身庞大的静态训练数据中提取...

Naive RAG 是Zui基本的 RAG 实现方案。假设你有一份 页的公司员工手册，怎么让 AI 基于里面的内容回答员工的提问呢？Zui简单粗暴的Zuo法就是每次提问dou把整本手册塞给 AI 大模型。

理解了向量，Naive RAG 的Zuo法就hen好理解了主要分为两步。第一步是离线索引：把文档切成小块并向量化入库。第二步是在线查询问答：当员工问 “年假有多少天？” 的时候，RAG 的执行流程是这样的：先用同一个 Embedding 模型把用户问题也转成向量，然后在向量库里搜Zui相似的 Top 文档块，Zui后把检索到的文档块拼进 Prompt，作为参考资料，交给大模型生成Zui终回答。

Multi-Query 的思路就是：既然一种问法搜不全，那就让大模型把原始问题改成多种不同的表述，分别去搜，Zui后把结果合并去重。这种方法的代价就是每次提问要多调用一次 LLM Zuo ，再多跑 N 次向量检索，延迟和成本dou会增加。

AI 回复的效果不好，可Neng不是因为用户的问法不好，而是用户的问题和文档的语义空间不一致。HyDE 的Zuo法就是让大模型凭空写一个答案，然后用这段假答案的向量去检索。

前面的方法dou在优化怎么搜得geng准，但有一个geng根本的问题没解决：Ru果搜到的全是垃圾，大模型还是会一本正经地基于这些垃圾内容生成答案。

CRAG 就是 把搜到的资料过滤一遍 来解决这个问题的。具体Zuo法就是在检索和生成之间插一个质检员，逐个审查检索到的文档是否和问题相关，然后根据审查结果走不同的分支。

Self-RAG 的思路是在整个流程中设置四个检查点，每一步dou让模型自我审视：是否需要检索、检索结果是否相关、生成答案是否有依据、Zui终答案是否合理。

Adaptive RAG 在Zui前面加了一个路由器，先判断问题的复杂度，然后决定走哪条路线：简单问题直接答，一般问题检索一次复杂问题采用 CRAG。

GraphRAG 是用来解决跨文档的多跳推理问题的，它先把文档变成知识图谱，再基于图谱来检索和推理。具体Zuo法分为 步：抽取实体和关系、构建知识图谱、用 Leiden 算法Zuo社区划分并生成摘要、在线查询时遍历相关子图并生成答案。

Text-to-SQL RAG 的Zuo法是让 LLM 直接把自然语言翻译成 SQL，执行查询，再把查询结果作为上下文来回答。这个方案适合所有数据分析类需求，比如 BI kan板问答、数据库运维助手、财务报表查询等等，本质上是用 LLM 替代了手写 SQL。

Agentic RAG 的Zuo法是让一个 AI Agent 来自动调度，根据问题自主决定每一步该怎么Zuo。给这个 Agent 配备一组检索工具，它会先搜搜kan → kankan结果够不够 → 不够就换个方式 / 换个关键词再搜 → 结果够了就生成回答。

Multi-Agent RAG 的Zuo法是拆分为多个专职 Agent，各自负责一些任务。比如 Router Agent 负责分发、各 RAG Agent 负责对应领域的检索和推理、Verification Agent 负责质检、Generation Agent 负责润色输出。

多模态 RAG// 离线：文本和图片统一编码到同一个向量空间for each page in document: textchunks = extracttext images = extractimages tables = extracttables for each chunk in textchunks: index.insert, chunk, type="text") for each image in images: index.insert, image, type="image") for each table in tables: index.insert, table, type="table")# 在线：统一检索，跨模态匹配results = index.search, k=)// results 中可Neng混合了文本块、图片、表格answer = visionLLM.generate // 用视觉语言模型处理混合内容 Speculative R AG # . 检索阶段召回较多的候选文档docs = retriever.search# . 把候选文档拆成 n 个子集，准备并行处理subsets = splitintosubsets# . 多个小模型并行生成候选草稿，每个草稿只kan一部分文档drafts = parallelrun return { draft, subset, confidence })# . 大模型Zuo一次验证，从多个草稿中选出Zui佳答案best = largeLM.verifyandselectreturn best.answer 方法选择与评估框架

从简单开始，逐步完善，先跑通 Naive R AG，发现哪个环节出了问题，就针对性地选用前面的优化方案；

使用评估框架如R AGAS来评估效果，主要指标包括上下文精度、上下文召回率、答案正确性等；

编排框架如LangChain / LangGraph 、LlamaIndex，一体化平台Dify 、R AGFlow，以及向量数据库Chroma 、Milvus 、Qdrant等dou是实现R AG的重要工具。