RAG 技术在解决大模型幻觉和知识滞后问题上至关重要，但静态与动态两种架构的选择常令人困惑。本文系统梳理了两种架构的核心原理、实现差异及代表性方案，并提供了详尽的代码实践与选型建议，旨在帮助开发者根据业务需求做出最佳技术决策，避免走弯路。
智能速览
RAG 通过外部检索增强大模型，解决知识滞后与幻觉问题。
静态 RAG 流程固定、成本低，适合简单问答场景。
动态 RAG 支持按需迭代检索，能处理复杂推理问题。
Self-RAG 内置反思令牌，模型自主决定检索与评估。
CRAG 通过工作流实现纠错，无需专门训练模型，灵活易用。
选型需权衡场景复杂度、计算资源与定制需求。
精华内容
静态与动态 RAG 并非简单的技术迭代，而是针对不同场景的架构选择。理解其核心差异、代表性方案的实现原理与优劣，是构建高效、可靠 RAG 系统的关键。
静态RAG优化
静态RAG采用“一次检索、一次生成”的线性流程，实现简单、响应快。但其效果严重依赖检索质量。通过引入HyDE（生成假设答案检索）、Reranker（交叉编码器重排序）等技术，可显著提升召回准确率。例如，使用BGE-Reranker模型对Top-K检索结果重排，能将有效信息占比从60%提升至85%以上，尤其适用于知识库庞大、问题表述多样的场景。
动态RAG迭代
动态RAG的核心在于赋予LLM决策权，使其能够根据问题复杂度自主决定是否检索、何时检索、检索什么。这种“迭代式”的工作流，允许系统在生成过程中多次触发检索，并对检索结果进行相关性评估，若不满意则改写查询或切换知识源。这使得系统能够处理多跳推理等复杂问题，但代价是更高的延迟和成本。
Self-RAG反思机制
Self-RAG通过在模型输出中引入特殊的“反思令牌”（如[Retrieval]、[Relevant]、[Fully Supported]），将检索决策、相关性评估和答案验证能力内置于模型本身。训练好的模型在生成答案时，会自动输出这些令牌，实现端到端的自我纠错。实测表明，这种机制能有效降低约30%的事实性错误，但需要16GB以上显存部署专门微调的模型。
CRAG纠错工作流
CRAG（Corrective RAG）则在工作流层面实现纠错，无需专门训练模型。其核心是“检索评估器”，使用普通LLM判断文档质量（Correct/Ambiguous/Incorrect）。当评估为不正确时，会触发网络搜索作为兜底方案。这种基于LangGraph等框架编排的方式，允许开发者高度自定义评估逻辑和分支策略，灵活性极高，适合快速迭代和业务定制。
技术选型建议
技术选型需综合考虑场景、资源和成本。对于简单FAQ场景，带Reranker的静态RAG是性价比最高的选择。面对需要多步推理的复杂问题，若追求极致效果且有GPU资源，可选Self-RAG；若更看重灵活性、快速迭代，CRAG配合API或本地模型是更务实的选择。对于企业级应用，RAGFlow等平台提供了开箱即用的解决方案。
掌握静态与动态RAG的界限，并结合Self-RAG、CRAG等进阶方案，是构建智能应用的关键。未来的RAG系统或将更深度地融合Agent能力，实现更自主的知识获取与推理。你的下一个项目，准备如何选择？
