简介:RAG已从简单的"检索—拼接—生成"演进出十余种方案。本文系统对比朴素RAG、进阶RAG、模块化RAG与智能体RAG等主流路线的核心差异,从架构复杂度、检索质量、延迟成本到适用场景逐一拆解,帮助开发者在面试答辩与工程选型中快速判断该用哪种方案、迁移时要注意什么。
近两年只要接触过应用开发,大概率听过 RAG(Retrieval-Augmented Generation,检索增强生成)。它是把大模型的能力与外部知识库结合的核心手段,用来解决模型幻觉、知识陈旧、私域数据缺失等常见问题。但很多开发者对 RAG 的理解停留在”检索增强生成”六个字,一旦追问检索怎么做、召回质量怎么保障、复杂问题怎么办,就答不上来。
原因在于:RAG 早已不是单一技术,而是一条不断演进的技术路线。从最初的三步流程,到今天由智能体自主编排检索的多步方案,中间衍生出十余种细分做法。这些方案并非彼此替代,而是面向不同精度、延迟、成本诉求的不同取舍。本文的核心对比对象,就是这条从朴素 RAG(Naive RAG)→ 进阶 RAG(Advanced RAG)→ 模块化 RAG(Modular RAG)→ 智能体 RAG(Agentic RAG)的四层演进路线,以及分布在其中的具体技术。
RAG 的基本逻辑是把”外部检索到的相关内容”注入到提示词中,再让大模型基于这些内容作答。它要解决的问题有三个:一是模型知识过时,二是模型不了解私有/领域数据,三是减少凭空编造。
一个典型的朴素 RAG由三步组成:
示意代码如下:
# 朴素RAG示意(通用伪代码)def naive_rag(query):chunks = split_documents(docs) # 切块index = build_index(chunks) # 向量化并建索引hits = index.search(query, top_k=5) # 相似度检索prompt = f"问题:{query}\n参考资料:{hits}\n请据此回答:"return llm.generate(prompt)
四层演进的共同目标一致:让模型答得更准、更可信。差异在于”从检索到生成”这条链路上,插入了多少优化环节、由谁来决策。
下面按演进顺序梳理各方案的核心机制,并标注其解决的问题。
第一层:基础方案
第二层:进阶 RAG(检索前后加优化)
第三层:检索结构优化
第四层:自主决策
示意代码如下:
# 智能体RAG示意(通用伪代码)def agentic_rag(query):history = []for step in range(max_steps):plan = llm.plan(query, history) # 智能体规划if plan.need_retrieval:sub = plan.sub_queriesevi = retrieve(sub)if evaluate(evi) < threshold: # 质量自评evi = alternative_retrieve(sub) # 纠错/替代检索answer = llm.synthesize(evi)if llm.judge_sufficient(answer): # 反思是否足够return answerreturn answer
| 维度 | 朴素 RAG | 进阶 RAG | 模块化 / 图检索 | 智能体 RAG |
|---|---|---|---|---|
| 架构复杂度 | 低,三步链路 | 中,含前后处理 | 较高,多模块组合 | 高,多步自主循环 |
| 检索质量 | 一般 | 较好(重排+改写提升明显) | 好(结构/图谱增强) | 优,可多轮纠正 |
| 延迟 | 低 | 中(重排、多查询增耗时) | 中高 | 高(多轮迭代) |
| 成本 | 低 | 中 | 中高 | 高(token 与调用次数多) |
| 实现难度 | 低 | 中 | 中高 | 高 |
| 复杂问题能力 | 弱 | 中(分解后可应对) | 强(图检索擅长多跳) | 强 |
| 适用场景 | 知识库问答、简单 FAQ | 企业文档问答 | 领域知识、关系推理 | 复杂任务、多工具编排 |
需要强调:这里的”优/劣”来自具体技术机制。例如智能体 RAG 精度更高,代价是延迟和成本;朴素 RAG 更快更省,代价是复杂问题上容易翻车。没有绝对最优,只有条件化取舍。
选型时,建议按”先简单后复杂”的顺序评估:先用朴素 RAG 建立基线,再根据召回率不足、相关性差、复杂问题多等具体痛点逐步叠加优化,避免一次性引入过多环节。
从一种方案迁移到另一种时,需要重点关注:
RAG 的十余种方案,本质上是在”检索精度、响应延迟、实现与运维成本、问题复杂度”之间做不同取舍。朴素 RAG 打基础,进阶 RAG 靠重排与改写快速提质,模块化与图检索增强结构化能力,智能体 RAG 则把决策权交给模型。理解它们背后的机制差异,才能在面试中讲清”区别在哪”,在工程里选对”该用哪个”,并在迁移时守住数据、接口、权限与稳定性这几条底线。