从0到1学RAG|九种 RAG 架构完全指南 1
RAG(Retrieval-Augmented Generation)即检索增强生成,其核心定义是让大语言模型(LLM)在回答问题前先检索外部资料。LLM的主要缺陷在于会基于错误知识自信作答,产生幻觉,这通常由未见过内部文档、训练数据滞后或专业术语理解偏差引起。Standard RAG通过实时检索外部知识来解决这一问题,成为RAG架构的基准线。
01Standard RAG工作流程
- 文档处理
将文档切分为chunk,通过embedding模型转化为向量,存入向量数据库。 - 检索匹配
用户提问时,将问题转为向量,在数据库中进行相似度搜索。 - 生成回答
提取Top-K个最相关内容拼入prompt,交由LLM生成最终答案。
目前的Standard RAG本质上是一个“Top-K context stuffing pipeline”。虽然原始RAG论文(Meta,2020)提出的是一个概率框架,即模型会对检索文档做概率边缘化,而不仅仅是简单拼接上下文,但工程实现主要采用前者。这一区别至关重要,因为后续复杂的RAG架构演进,主要旨在解决Standard RAG所暴露的缺陷。
02三大核心缺陷
Standard RAG局限性分析
检索偏差
- Embedding模型不理解领域特定术语,导致相关内容无法被召回。
切片局限
- 答案分散在多个chunk中,单独检索任何一个都不完整。
截断损失
- Top-K设置过小,真正相关的内容排在K名之外而被遗漏。
这些缺陷会导致模型在未察觉检索错误的情况下,基于错误上下文生成看似合理的答案。这也是后续CRAG、Self-RAG、GraphRAG等架构出现的根本原因,它们致力于增加检索评估、多步推理、关系建模和自我纠错能力。
03架构演进方向
| 架构名称 | 核心目标 | 关键技术 |
|---|---|---|
| Conversational RAG | 多轮对话支持 | 历史上下文管理 |
| Corrective RAG (CRAG) | 检索结果校正 | 检索评估与自我纠错 |
| Self-RAG | 自我反思 | 反思Token与多步推理 |
| HyDE | 提升检索精度 | 假设性文档嵌入 |
| Fusion RAG | 多路召回优化 | 混合检索策略 |
| Adaptive RAG | 动态路由 | 根据问题难度选择策略 |
| Agentic RAG | 主动推理 | Agent工具调用能力 |
| GraphRAG | 全局关系理解 | 知识图谱结构化 |
RAG架构演进对比表
Standard RAG确立了“查资料再回答”的可行性,但也揭示了真正的难点在于系统如何确认“查对了”。从基础检索到具备自我纠错与复杂推理能力的架构演进,标志着RAG技术从单一检索向智能化系统发展的路径。
当前文章无评论,是时候发表评论了