8 种 RAG 架构

8 RAG architectures

我们整理了下面这张图，详细介绍了 AI 系统中常用的 8 种 RAG 架构：

我们来简单聊聊它们：

1）朴素 RAG（Naive RAG）

纯粹依据查询嵌入与已存储嵌入之间的向量相似度来检索文档。

最适合那些直接做语义匹配就足够应付的简单事实型查询。

2）多模态 RAG（Multimodal RAG）

通过跨模态的嵌入与检索，处理多种数据类型（文本、图像、音频等）。

非常适合跨模态检索任务，比如用文本和图像两种上下文来回答一个文本查询。

3）HyDE

查询在语义上往往和文档并不相似。

这种技术会在检索之前，先根据查询生成一份假设性的答案文档。

然后用这份生成文档的嵌入，去找到更相关的真实文档。

4）纠错型 RAG（Corrective RAG）

通过与可信来源（例如网络搜索）比对，来验证检索结果。这能确保信息的时效性和准确性，在把内容交给 LLM 之前，先对检索到的内容进行过滤或纠正。

5）图 RAG（Graph RAG）

把检索到的内容转化为知识图谱，以捕捉实体之间的关系。

通过在原始文本之外，向 LLM 提供结构化的上下文，来增强其推理能力。

6）混合 RAG（Hybrid RAG）

在同一条流程中，把稠密向量检索和基于图的检索结合起来。

当任务既需要非结构化文本，又需要结构化关系数据才能给出更丰富的回答时，这种方式很有用。

7）自适应 RAG（Adaptive RAG）

动态判断一个查询是只需要简单的直接检索，还是需要多步推理链。

把复杂查询拆解成更小的子查询，以获得更好的覆盖面和准确性。

8）智能体 RAG（Agentic RAG）

借助具备规划、推理（ReAct、CoT）和记忆能力的 AI 智能体（Agent），来编排来自多个来源的检索过程。

最适合那些需要使用工具、调用外部 API，或者需要组合多种 RAG 技术的复杂工作流。