RAG模式到底有8种？还是9种？还是25种？

首先一句话通俗解释什么是RAG? 全称: Retrieval-Augmented Generation (检索增强生成) ：RAG是一种结合信息检索与大语言模型生成的架构。

检索增强生成 (RAG) 是一种变革性的生成式人工智能架构，它将大型语言模型 (LLM) 与外部知识检索相结合，以生成更准确、更贴近实际且更具上下文相关性的响应。随着企业不断推进将生成式人工智能嵌入业务流程，RAG 提供了一种无需持续重新训练大型模型即可应对重大风险（包括信息错乱、知识陈旧和领域特定性）的方法。

RAG系统的组成部分：

检索增强生成（RAG）

从宏观层面来看，RAG系统由三个模块组成：

查询编码器：对输入进行编码x转换为查询表示q用于检索相关文档。这可以是神经编码器，也可以是基于规则的模板。

检索器：给定查询q检索器获取文档的排名列表。d1，d2，…，dk来自语料库𝒞.寻回犬可能数量稀少（例如，BM25  （Robertson 等人，2009) )，密集（例如，DPR  （Karpukhin 等人，2020) )、混合型或生成型。

生成器：生成器对输入的条件x以及检索到的文件d我产生最终输出是这通常是一个预训练的Transformer模型（例如，T5  （Raffel等人，2020），BART  （ Lewis等人，2020a），GPT  （Brown等人，2020）

检索增强生成（RAG）中的生成过程可以表示为对条件分布进行建模

x表示输入内容 （例如：问题或提示）

d表示从语料库检索到的文档 𝒞

y表示生成的响应内容

检索增强生成（RAG）框架通过文档检索，利用外部知识访问来增强大型语言模型（LLM）。

检索增强生成 (RAG) 工作流程

RAG架构分类：根据现有系统的架构侧重点对其进行分类——检索中心型、生成器中心型、混合型和鲁棒性导向型设计

当你在豆某包或者千某问上搜索，到2026年为止，RAG按照复杂与演进大致分为4类 :

1.Naive RAG（基础 / 朴素 RAG）

2.Advanced RAG（高级 RAG）

3.Graph RAG（图谱 RAG）

4.Agentic RAG（智能体 RAG）

也有说RAG可分类为：

1.Naive RAG (基础/朴素RAG)

2.Advanced RAG (高级RAG)

3.Modular RAG （模块化RAG）

btw：但是这种说法不一定准确哈

按照技术实现方式分为8种：

1.Naive RAG（基础）

2.HyDE（假设文档嵌入）

3.Corrective RAG（纠正式）

4.Self-RAG（自反思）

5.Graph RAG（图谱）

6.Hybrid RAG（混合：向量 + 关键词 + 图谱

7.Adaptive RAG（自适应：按查询复杂度动态选策略）

8.Agentic RAG（智能体）

更有甚者说是25种RAG架构：

1.Corrective RAG 纠错型RAG

2.Speculative RAG

3.Agenetic RAG

4.Self-RAG

5.Adaptive RAG

6.Refeed Retrieval Feedback RAG

7.Realm (Retrieval-Augmented Language Model) RAG

8.Raptor (Tree-Organized Retrieval) RAG

9.Replug (Retrieval Plugin) RAG

10.Memo RAG

11.Attention-Based RAG

12.RETRO (Retrieval-Enhanced Transformer) RAG

13.Auto RAG

14.Cost-Constrained RAG

15.ECO RAG

16.Rule-Based RAG

17.Conversational RAG

18.Iterative RAG

19.HybridAI RAG

20.Generative AI RAG

21.XAI (Explainable AI) RAG

22.Context Cache in LLM RAG

23.Grokking RAG: The Intuitive Learner

24.Replug Retrieval Feedback

25.Attention Unet RAG

RAG 技术分层架构全景

后续会针对这25种RAG架构模式做详细介绍

本篇基于什么是RAG？RAG设计模式展开介绍 

下面详细介绍基于《Retrieval-Augmented Generation for Large Language Models: A Survey》这篇论文提到的三种RAG模式的实现方式：

A：Naive RAG 朴素RAG

步骤：加载->分块->嵌入->检索->生成

重点：简单相似度搜索 ，不进行优化

from langchain.text_splitter import CharacterTextSplitter from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain_openai import ChatOpenAI 
# 1. 加载并分割数据text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_text( "文档内容在此处 " ) 
# 2. 创建嵌入并存储到向量数据库中embeddings = OpenAIEmbeddings() db = Chroma.from_texts(texts, embeddings) 
# 3. 检索文档retriever = db.as_retriever() 
# 4. 使用 LLM 生成响应llm = ChatOpenAI(model= "gpt-4o" ) query = "什么是 LangChain？" docs = retriever.get_relevant_documents(query) context = "\n\n" .join([doc.page_content for doc in docs]) response = llm.invoke( f"Context: {context} \nQuestion: {query} " ) print (response)

示例输出：

输入查询： 什么是langchain？

回复：“LangChain 是一个框架，用于构建将语言模型与向量数据库等工具相结合的应用程序，以实现检索增强生成 (RAG)。它简化了将数据集成到语言学习模型 (LLM) 工作流程中的过程。

朴素RAG的局限性：

阶段	挑战
检索阶段	- 可能召回不相关的文本片段。- 受限于相似度计算，可能遗漏关键细节。
生成阶段	- 存在幻觉风险（编造事实）。- 可能生成不一致或冗余的回答。
增强阶段	- 难以将信息进行连贯整合。- 输出内容可能缺乏风格一致性。

B. Advanced RAG 高级RAG

步骤：预处理->多查询->检索->后处理->生成

重点：增加查询优化、重新排名和上下文压缩

from langchain.text_splitter import CharacterTextSplitter from langchain.vectorstores import Qdrant from langchain.embeddings import OpenAIEmbeddings from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.rerankers import Reranker 
# 1. 预检索优化 🛠️ text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_text( "高级文档内容." ) 
embeddings = OpenAIEmbeddings() db = Qdrant.from_texts(texts, embeddings)   # 使用 Qdrant 实现灵活检索
# 2. 查询优化 🔍 query_variations = [     "解释 LangChain 概念." ,     "LangChain 的用例是什么？" ] “     LangChain 如何简化工作流程？” # 
3. 检索和重排序 ✂️ retriever = db.as_retriever() all_docs = [] for query in query_variations:   # 多查询方法    docs = retriever.get_relevant_documents(query)     all_docs.extend(docs) 
# 重排序结果reranker = Reranker() ranking_docs = reranker.rank(all_docs, query) 
# 4. 上下文压缩 🔧 context = "\n\n" .join([doc.page_content for doc in ranking_docs[: 3 ]])   # 选择前 3 个文档
# 5. 使用优化后的输入生成响应llm = ChatOpenAI(model= "gpt-4o" ) prompt = PromptTemplate.from_template( "基于上下文的答案：\n{context}\n问题：{query}" ) response = llm.invoke(prompt.format ( context=context, query= "什么是 LangChain？" )) print (response)

优化索引：

技术手段	核心用途
分块策略  🧩	将数据拆分为可管理的片段，以实现高效处理。
数据清洗  🧹	去除噪声干扰，确保用于索引的文本片段具备高质量。
多表示索引  🗂️	存储多种视角的数据（文本、语义向量），以更好地捕捉上下文信息。
自查询检索  🤖	在检索前内部生成优化查询，以提升结果的相关性。
父文档检索  📖	检索完整文档而非孤立片段，以实现更优的上下文整合。

检索前优化与检索后优化的权衡取舍：

流程	优势	劣势
检索前 (Pre-Retrieval)	✅ 搜索速度更快。✅ 结果更聚焦，减少噪声干扰。✅ 实现更简单。	❌ 预处理成本高。❌ 灵活性受限。❌ 存在过滤掉有用数据的风险。
检索后 (Post-Retrieval)	✅ 可灵活优化结果。✅ 支持纠错处理。✅ 能适配查询意图。	❌ 需要更多计算资源。❌ 依赖初始检索的质量。❌ 配置更复杂。

C. Modular RAG 模块化RAG

步骤：模块化设置->路由->动态查询->上下文融合->生成

重点：支持特定任务模块、路由和内存集成

优点：1.即插即用的咯灵活性2.动态查询处理3.任务特定精确度4.可扩展且面向未来

from langchain_community.document_loaders import WebBaseLoader from langchain.vectorstores import Pinecone from langchain.embeddings import OpenAIEmbeddings from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI from langchain.memory import ConversationBufferMemory from langchain.retrievers.multi_query import MultiQueryRetriever 
# 1. 模块化数据加载 🔄 loader = WebBaseLoader( "https://example.com/article" ) data = loader.load() 
# 2. 灵活索引 📦 text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_documents(data) 
embeddings = OpenAIEmbeddings() vector_store = Pinecone.from_documents(texts, embeddings) 
# 3. 高级查询路由 🌐 multi_retriever = MultiQueryRetriever.from_llm(     retriever=vector_store.as_retriever(), llm=ChatOpenAI(model= "gpt-4o" ) ) 
# 4. 特定任务提示 🎯 custom_prompt = PromptTemplate(template= """回答以下问题：{context}问题：{question}""" ) 
# 5. 内存模块 🧠 memory = ConversationBufferMemory(return_messages= True ) 
# 6. 动态问答链 ⚡ qa_chain = RetrievalQA.from_chain_type(     llm=ChatOpenAI(model= "gpt-4o" ),     retriever=multi_retriever,     memory=memory,     chain_type_kwargs={ "prompt" : custom_prompt} ) 
# 7. 执行灵活管道响应 = qa_chain.run( "LangChain 的主要特性是什么？" ) print (response)

模块化RAG的优势：

特性	优势
可适应性 🔄	可针对不同任务替换或重新配置模块，确保可扩展性与复用性。
精准检索 🎯	采用多查询扩展与自查询机制，提升检索准确率。
任务专属优化 🛠️	使流水线适配问答、摘要或知识图谱等专业化工作流。
动态查询路由 🚦	自动将查询路由至最相关的数据源与检索方法。
记忆集成 🧠	追踪多轮查询间的上下文历史，支持迭代优化与多步骤工作流。

以下是 Modular RAG 在幕后所做的工作：

1. 路由模块🚦 → 决定此查询是否需要网络搜索、内部文档或API 数据。
2. 多查询扩展 🔗 → 生成3-5 个问题变体，以涵盖不同的角度。
3. 并行检索 🔍 →同时在多个数据源（向量存储、API 等）中运行搜索。
4. 重新排名📊 → 选择排名靠前的数据块，并删除重复或无意义的结果。
5. 内存 🧠 → 检查过去的查询以获取上下文 — 此查询是否建立在先前的问题之上？
6. LLM 答案 🎯 → 整合最佳信息并撰写最终回复——清晰、简洁、切中要点。

步骤一：导入所需库

from langchain.vectorstores import Qdrant   # 用于嵌入的向量存储from langchain.embeddings import OpenAIEmbeddings   # 嵌入模型from langchain.text_splitter import RecursiveCharacterTextSplitter   # 将文档分割成块from langchain.chains import RetrievalQA   # 检索增强生成 (RAG) from langchain.prompts import ChatPromptTemplate   # 提示模板from langchain.chat_models import ChatOpenAI   # 基于 GPT 的 LLM

步骤二：设置模块化组件

# 加载并准备数据text = "您的文档内容..."   # 替换为您的输入数据splitter = RecursiveCharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) chunks = splitter.create_documents([text]) 
# 嵌入和向量存储embeddings = OpenAIEmbeddings() vector_db = Qdrant.from_documents(chunks, embeddings, collection_name= "modular_rag_demo" ) 
# 检索器配置

步骤三：多查询模块

from langchain.prompts import PromptTemplate from langchain.chains import LLMChain 
# 多查询提示query_template = """生成给定查询的三个变体：查询：{question}
变体：1. ... 2. ... 3. ... """ prompt = PromptTemplate(input_variables=[ "question" ], template=query_template) 
# 生成多查询扩展llm = ChatOpenAI(model= "gpt-4o" ) query_chain = LLMChain(prompt=prompt, llm=llm) query_variations = query_chain.run({ "question" : "总结2023年的气候政策" })

步骤四：检索和排序数据

# 检索每个变体的文档retrieved_docs =  [ ] for query in query_variations.split ( "\n" ) :     retrieved_docs.extend ( retriever.get_relevant_documents ( query ) ) 
# 重新排序并压缩上下文context =  "\n\n" .join ( doc.page_content [ : 200 ] for doc in retrieved_docs )   # 压缩到 200 个字符

步骤五：使用 LLM 生成输出

# 创建提示模板template = """上下文：{context}
问题：{question}
答案：""" chat_prompt = ChatPromptTemplate.from_template(template) 
# 生成回复response = llm.invoke(chat_prompt.format ( context =context, question= "总结2023年的气候政策" )) print (response)

输出示例📝

输入查询：
“总结2026年的气候政策。”

输出答案：
“2026年的气候政策重点在于推广可再生能源、制定更严格的碳排放法规以及达成国际气候协议，以将全球变暖幅度控制在1.5摄氏度以内。感谢您的提问！

refer: https://arxiv.org/html/2506.00054v1#S2

最后

从0到1！大模型(LLM)最全学习路线图，建议收藏！

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解，帮大家整理了一份LLM学习路线图，涵盖从理论基础到落地应用的全流程!拒绝焦虑，按图索骥~~

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取