“ RAG的架構雖然有所不同，但其原理都是相同的，都是通過檢索來增強模型的生成能力，只不過在不同的環節做了不同的優化。”

從事RAG技術的工作也有一兩年時間了，但在此之間都是這學一點那學一點，感覺自己好像什么都會，但從來沒有對整個RAG系統進行過梳理。

所以，今天就從RAG的迭代過程開始梳理一下RAG的架構升級過程，了解不同種類RAG的區別和聯系，以及適用場景。

RAG的幾種類型

從技術的本質來說，RAG就是檢索增強生成，重要的就是檢索和生成；但技術畢竟在不斷的發展和迭代，因此RAG的架構也經過多次迭代。

以下是RAG迭代過程中的幾種架構類型：

Naive RAG：基礎RAG

Advanced RAG：高級RAG

Modular RAG：模塊化RAG

• Graph RAG：圖RAG
• Agentic RAG ：智能體RAG

這幾種RAG雖然從架構和實現上有所區別，但其本質上還是一樣的；所以我們需要學習不同RAG架構之間的區別，但也要通過表象看到RAG的本質。

Naive Rag

其實想了解RAG的技術原理，基礎RAG是最好的選擇，因為其是RAG最初的版本；但受限于當時的技術和理論，因此基礎RAG現在已經很少使用了，可能也就在剛開始學習的時候了解一下。

基礎RAG的流程就是，通過相似度檢索的方式召回相關數據，然后丟給模型進行增強生成；但這里有個問題就是，基礎RAG的召回策略和生成過程都很簡單，在真實的業務場景中測試效果都不怎么好。

Advanced Rag

高級RAG是在Naive Rag的基礎之上做了功能升級；比如說剛開始學習RAG的時候，就知道把問題直接向量化，然后丟給向量庫進行相似度檢索；但在實際場景中發現召回率不足，也不準確。

因此，高級RAG就是在Naive Rag的基礎之上做了優化；比如說召回優化，增加問題改寫，知識庫優化，提升文檔的拆分質量，以及生成優化，把召回的文檔進行重排序，格式化等操作。

Modular Rag

模塊化Rag其實就更好理解了，在基于RAG的智能問答場景中，我們發現文檔不但來源復雜，而且格式也很復雜；而且在不同的業務場景中需要使用不同的文檔處理流程和召回策略。

比如說有些場景的主要文檔格式是word/pdf，而有些場景的文檔格式是excel/csv，還有是一些數據庫和API。

這時，為了降低系統的開發和維護成本，就需要對不同的功能進行模塊化開發，這樣在不同的場景中選擇不同的模塊即可，而不用每次都重新開發。

Graph Rag

圖Rag和上面的幾種RAG架構的唯一區別就是其存儲介質的不同，Graph Rag使用的是基于知識圖譜的方式來組織和存儲數據；這種方式在某些業務場景中具有更好的效果，比如說查詢家庭成員關系，組織架構等。

由于圖結構天生適合處理這種復雜的數據關系，因此Graph Rag在這種場景中具備天然的優勢。

Agentic Rag

智能體RAG又被稱為主動式RAG，上面幾種RAG不論怎么設計，其都是基于根據用戶問題進行數據召回，然后根據召回結果進行增強生成，這個流程是固定的。

但Agentic Rag是基于智能體實現的架構模式，其主要就是利用大模型獨立思考和規劃的能力，可以根據用戶的問題自行判斷是否需要進行數據召回。如果遇到一些簡單的問題或者模型能夠自己解決的問題，那么就可以避免召回的過程，以提升用戶體驗和響應速度。

因此，以上幾種RAG架構，并沒有跳出RAG的基本理論范疇，只不過在不同的環節上對RAG進行了優化，最終的目的都是為了提升模型的生成效果，解決用戶問題。

但雖然RAG有多種不同的技術架構，但這些架構之間并不是非此即彼的關系，不同的架構之間可以互相協調，以此增強RAG的效果。

本文轉載自??AI探索時代?? 作者：DFires