大模型学习必备：20种RAG技术详解，建议收藏反复研读

20种RAG技术全景解析
原创 于 2025-11-21 15:48:04 发布 · 731 阅读 · 29 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #人工智能 #语言模型 #大模型 #ai #产品经理 #转行

1. Navie/Standard RAG

维度说明
关键特征1. 基础检索与生成集成 2. RAG-Sequence 和 RAG-Token 变体
优势1. 提高准确性 2. 减少幻觉
应用场景1. 通用问答系统 2. 初始RAG实现
工具/库示例1. Hugging Face Transformers 2. Facebook 的 RAG 实现 3. LangChain

2. Agentic RAG

维度说明
关键特征1. 自主智能体 2. 工具使用 3. 动态检索
优势1. 处理复杂任务 2. 主动式人工智能
应用场景1. 个人助手 2. 需要动态交互的客服机器人
工具/库示例1. LangChain Agents 2. OpenAI GPT-4 with Plugins 3. Microsoft Semantic Kernel

3. Graph RAG

维度说明
关键特征1. 知识图谱 2. 关系推理
优势1. 信息丰富 2. 上下文处理
应用场景1. 医疗、法律、工程领域的专家系统 2. 语义搜索引擎
工具/库示例1. Neo4j 图数据库 2. Apache Jena 3. Stardog

4. Modular RAG

在这里插入图片描述

维度说明
关键特征1. 检索、推理、生成等独立模块
优势1. 灵活性 2. 可扩展性
应用场景1. 大型项目需要协作开发 2. 需要频繁更新的系统
工具/库示例1. 微服务架构 2. Docker & Kubernetes 3. Apache Kafka

5. Memory-Augmented RAG

维度说明
关键特征1. 外部记忆存储 2. 外部记忆检索
优势1. 连续性 2. 个性化
应用场景1. 维持长期对话上下文的聊天机器人 2. 个性化推荐
工具/库示例1. Redis for Session Storage 2. Amazon Dynamo DB 3. Pinecone 向量数据库

6. Multi-Modal RAG

维度说明
关键特征1. 跨模态检索（文本、图像、音频）
优势1. 响应更加丰富 2. 可访问性
应用场景1. 图像捕捉 2. 视频总结 3. 多模态助手
工具/库示例1. OpenAI 的 CLIP 2. TensorFlow 多模态模型 3. PyTorch 多模态库

7. Federated RAG

维度说明
关键特征1. 去中心化数据源 2. 隐私保护
优势1. 数据安全 2. 合规性
应用场景1. 处理敏感数据的医疗系统 2. 跨组织的协作平台
工具/库示例1. TensorFlow Federated 2. PySyft by OpenMined 3. 联邦学习库

8. Streaming RAG

维度说明
关键特征1. 实时数据检索与生成
优势1. 信息及时 2. 低延迟
应用场景1. 实时报告 2. 金融行情提示 3. 社交媒体监控
工具/库示例1. Apache Kafka Streams 2. Amazon Kinesis 3. Star Streaming

9. ODQA RAG

Open-Domain Question Answering (ODQA)：开放域问答
维度说明
关键特征1. 广泛的知识库 2. 动态检索
优势1. 适应性广 2. 响应动态
应用场景1. 搜索引擎 2. 处理多样查询的虚拟助手
工具/库示例1. Elasticsearch 2. Haystack by Deepset 3. Hugging Face Transformers

10. Contextual Retrieval RAG

维度说明
关键特征1. 利用对话历史进行上下文感知检索
优势1. 个性化 2. 连贯性
应用场景1. 对话式 AI 2. 维持会话上下文的客户支持聊天机器人
工具/库示例1. Dialogflow by Google 2. Rasa Open Source 3. Microsoft Bot Framework

11. Knowledge-Graph-Enhanced RAG

维度说明
关键特征1. 集成结构化知识库 2. 知识图谱
优势1. 事实准确性 2. 领域专业性
应用场景1. 教育工具 2. 专业领域应用（法律、医疗）
工具/库示例1. 知识图谱嵌入库 2. OWL API 3. Apache Jena

12. Domain-Specific RAG

维度说明
关键特征1. 针对特定行业或领域定制
优势1. 相关性 2. 合规性 3. 可信度
应用场景1. 法律研究助手 2. 医疗诊断支持 3. 金融分析工具
工具/库示例1. LexPredict 合同分析 2. Watson NLP 3. 金融健康工具

13. Hybrid RAG

维度说明
关键特征1. 结合多种检索方法
优势1. 提高召回率 2. 增强相关性
应用场景1. 复杂问答系统 2. 需要词汇匹配和语义匹配的搜索引擎
工具/库示例1. Elasticsearch with kNN 2. PLMS by Facebook AI 3. 混合检索库

14. Self-RAG

维度说明
关键特征1. 自反思机制 2. 迭代优化
优势1. 准确性强 2. 连贯性高
应用场景1. 内容创作 2. 教育平台
工具/库示例1. OpenAI GPT Models with Fine-Tuning 2. Human-in-the-Loop Platforms

15. HyDE RAG

Hypothetical Document Embeddings（HyDE）：假设文档嵌入

维度说明
关键特征1. 假设文档嵌入用于引导检索
优势1. 召回率更高 2. 答案质量提升
应用场景1. 具有隐性含义的复杂查询 2. NICHE 领域的研究辅助
工具/库示例1. 基于 Transformer 的自定义实现 2. Haystack Pipelines

16. Recursive/Multi-Step RAG

维度说明
关键特征1. 多轮检索与生成
优势1. 推理增强 2. 理解更深入
应用场景1. 分析和解决问题的任务 2. 多轮交互的对话系统
工具/库示例1. LangChain 的 Chains 和 Agents 2. DeepMind 的 AlphaCode 框架

17. Corrective RAG

维度说明
关键特征1. 基于可信数据源进行交叉验证和修正
优势1. 精准度更高 2. 答案质量提升
应用场景1. 医疗、法律、新闻摘要等对事实准确性零容忍领域
工具/库示例1. 基于LangChain框架 2. 基于LangGraph框架 3. 开源CRAg项目

18. MultiHop-RAG

维度说明
关键特征1. 进行多次检索，构建上下文进行多角度审视
优势1. 增强推理与关联能力 2. 提高答案准确性与完整性 3. 结合知识图谱辅助推理
应用场景1. 学术研究与教育 2. 医疗保健 3. 法律与合规
工具/库示例1. 基于LangChain框架 2. 基于LangGraph框架 3. 基于LlamaIndex框架

19. RAG Fusion

维度说明
关键特征1. 将多个搜索结果合并起来以生成单一统一排名
优势1. 更全面的回答 2. 减少偏见 3. 提升准确性
应用场景1. 开放域问答 2. 跨模态搜索 3. 争议性话题分析
工具/库示例1. 基于LangChain框架 2. 基于LlamaIndex框架 3. 开源RAG-Fusion项目

20. Adaptive RAG

维度说明
关键特征1. 用小模型或规则进行问题分类，动态选择检索深度与生成策略
优势1. 简单题快速回答，复杂题自动拆解 2. 提升准确性
应用场景1. 百科全书式开放域问答 2. 金融、政务等领域知识问答
工具/库示例1. 基于LangChain框架 2. 基于LlamaIndex框架

结论

RAG 已完成从「独立热点」到「智能体基础设施」的转型。未来竞争焦点不再是单点召回率，而是多智能体协同效率、跨模态证据融合与低成本边缘部署，需要抓住「Agentic + 图谱 + 轻量化」三条主线。

  1. Agentic 化

静态「检索-生成」流水线被多智能体协作替代；Agent 负责任务拆解、工具选择、交叉验证与答案裁决，成为复杂推理场景的缺省配置 。

  1. 多模态统一

统一模型同时处理文本、图表、公式、视频帧，「版面解析→结构序列化→跨模态嵌入」将替代纯文本切块，金融研报、医疗影像率先落地 。

  1. 图-向量混合索引

知识图谱提供可解释多跳，向量检索保证语义泛化；动态图增量更新、因果子图抽取、多模态节点是下一步重点 。

  1. 轻量化与低代码

100MB以内嵌入模型 + ONNX 边缘推理，配合Agent编排平台让中小企业 1 周内上线 RAG 应用，成本低。

  1. 实时 & 联邦化

CDC+流式向量库实现秒级知识更新；联邦学习确保「数据不出域」场景也能共享全局检索能力。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：
在这里插入图片描述

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

图片

  • 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

  • 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
在这里插入图片描述

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

图片

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）
图片

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发
在这里插入图片描述

【大模型】大模型RAG检索增强生成技术使用详解
congge
11-17 7039
大模型RAG检索增强生成技术使用详解
使用SQLBot实现Text-2-SQL本地部署教程
最新发布
Kanen001的博客
09-01 2889
SQLBot是一款基于大模型和 RAG 的智能问数系统。开箱即用: 只需配置大模型和数据源即可开启问数之旅，通过大模型和 RAG 的结合来实现高质量的 text2sql；易于集成: 支持快速嵌入到第三方业务系统，也支持被 n8n、MaxKB、Dify、Coze 等 AI 应用开发平台集成调用，让各类应用快速拥有智能问数能力；安全可控: 提供基于工作空间的资源隔离机制，能够实现细粒度的数据权限控制。
大语言模型微调实践——LoRA 微调细节
LF_AI的博客
08-21 6149
1. 引言近年来人工智能领域不断进步，大语言模型的崛起引领了自然语言处理的革命。这些参数量巨大的预训练模型，凭借其在大规模数据上学习到的丰富语言表示，为我们带来了前所未有的文本理解和生成能力。然而，要使这些通用模型在特定任务上发挥出色，还需借助微调技术。大语言模型的微调技术已经成为自然语言处理领域的一个焦点，其不断的演化和创新正引领着我们进入一个更加精细、个性化的文本处理时代。在本文中，我们将选取...
极速掌握数据！基于大模型和 RAG 的智能问数系统 SQLBot 来了！
weixin_44626085的博客
08-27 780
SQLBot是一款基于大模型和RAG技术的智能数据库查询系统，具有开箱即用、易于集成和安全可控三大优势。用户只需简单配置即可快速部署，支持与多种AI平台集成，并提供细粒度的数据权限控制。安装仅需执行几条Docker命令或通过1Panel应用商店完成，默认访问地址为http://服务器IP:8000。该系统通过直观的UI界面简化数据查询流程，为企业和个人提供高效的智能问数体验。文末还推荐了DataEase、1Panel等同类型开源项目供用户参考。
一文搞懂AI大模型学习路线：核心知识点 + 实战路径全解析
Android_XG的博客
07-18 837
一文搞懂AI大模型学习路线：核心知识点 + 实战路径全解析
大模型中的token是什么？
金木AI
02-21 1万+
如果我们将这个句子分解成单词级别的token，那么包含的token有：“The”, “quick”, “brown”, “fox”, “jumps”, “over”, “the”, “lazy”, “dog”。例如，将单词"jumps"分解成"jump"和"s"，“walked"分解成"walk"和"ed”。大模型的token可以是单词级别的，也可以是子词级别的，甚至是字符级别的，具体取决于模型的设计和训练方式。大模型的"token"是指在自然语言处理（NLP）任务中，模型所使用的输入数据的最小单元。
大模型应用开发：RAG入门与实战-札记PDF
12-10
本书《大模型应用开发:RAG入门与实战》针对近年来蓬勃发展的检索增强生成技术，旨在帮助读者快速入门并掌握RAG应用开发的核心技能。 内容涵盖了RAG的基础概念、核心技术以及实际应用场景。初学者将通过本书学习RAG与...
【企业级大模型开发】企业级大模型开发：MCP+RAG实战案例详解
08-18
内容概要：本文详细介绍了MCP（模型控制生产）与RAG（检索增强生成）结合在企业级大模型开发中的应用，特别是通过一个金融知识问答系统的实战案例展示其技术优势。MCP强调模型治理、性能监控和迭代优化，确保AI系统...
RAG技术详解：检索增强生成提升大型语言模型实时性和准确性
06-01
内容概要：RAG（Retrieval Augmented Generation，检索增强生成）是一种结合检索和生成能力的AI技术，旨在优化大型语言模型（LLM）的输出。RAG通过从外部知识库获取实时信息，增强LLM的回答准确性和时效性，无需重新...
2025 RAG技术大揭秘：5种范式轻松掌握.pdf
02-22
内容概要：本文系统性回顾了检索增强生成（RAG）技术自2021年以来的多轮范式迭代进展，特别是近来大规模语言模型（LLMs）广泛应用带来的变革。文中详细介绍了一系列关键概念和五大主要范式——Naive RAG、Advanced ...
Dify智能体：通用合同审查助手.yml
07-27
Dify智能体：通用合同审查助手.yml
一文读懂大模型（LLM）的 Token：Token 究竟是什么？一文看懂！
weixin_72959097的博客
07-11 1645
在大模型（LLM）的世界里，token 是一个基础且重要的概念。接下来，让我们一文读懂大模型中的 token 究竟是什么。
一起来聊聊大模型的token
一起来研究langchain和langchain-chatchat
05-24 6463
学习大模型的朋友肯定听说过大模型接口按token，自己编写代码的时候也经常看到token这个词，那它究竟是什么呢，我们一起来探究一下在大模型中，token不一定是一个完整的词。它可以是一个词、一部分词、字符甚至是标点符号。这取决于所使用的分词方法。子词分词方法（如 BPE 和 WordPiece）在现代 NLP 模型中非常常见，因为它们能够高效地处理各种语言现象，同时保持词汇表的紧凑性。
【写给小白的LLM】AI大模型中的 token 到底是个什么？
javatiange的博客
05-24 1011
本文介绍了AI大模型中的核心概念——Token。Token是文本处理的最小单位，相当于AI理解语言的"积木块"，可以是一个单词、标点符号或子词。文章解释了中英文Token的差异：中文1个Token约1-2个汉字，英文1个Token约0.75个单词。Token数量直接影响AI服务的计费（如ChatGPT按Token收费）和内容长度限制（如GPT-3.5最多支持4096 Tokens）。技术层面，Token通过分词算法转换，每个Token对应唯一ID和数学向量。文章还提供了优化Token使用
一文读懂大模型中的token
2401_85378759的博客
12-14 7614
学习大模型的朋友肯定听说过大模型接口按token，自己编写代码的时候也经常看到token这个词，那它究竟是什么呢，我们一起来探究一下在大模型中，token不一定是一个完整的词。它可以是一个词、一部分词、字符甚至是标点符号。这取决于所使用的分词方法。子词分词方法（如 BPE 和 WordPiece）在现代 NLP 模型中非常常见，因为它们能够高效地处理各种语言现象，同时保持词汇表的紧凑性。带有空格前缀（如Ġworld）和不带空格前缀（如world。
大模型中token名词解释
caoyongsheng的博客
08-22 3774
单值属性只有一个值，例如"北京"这个实体的"天气"属性只有一个值"晴"。多值属性可以有多个值，例如"北京"这个实体的"人口"属性有多个值"1,000,000"、"2,000,000"、"3,000,000"等等。显式属性是指在知识图谱中明确定义的属性，例如"北京"这个实体的"天气"属性。隐式属性是指在知识图谱中没有明确定义的属性，例如"北京"这个实体的"人口"属性。例如，"北京"这个实体有一个"天气"属性，"天气"这个属性是一个关系，它将"北京"这个实体和"晴"这个实体连接起来。
一文搞懂Transformer的位置编码
热门推荐
xian0710830114的专栏
10-08 2万+
本文介绍Transformer的位置编码，有图有表有推导，看不懂你打我！！！在Transformer出现以前，NLP任务大多是以RNN、LSTM为代表的循环处理方式，即一个token一个token的输入到模型当中。这种设计存在天生的缺陷。为了解决这些缺陷，Transformer把token的顺序信号加到词向量上帮助模型学习这些信息，这就位置编码（Positional Encoding）。接下来的内容不会涉及Self-Attention等牛逼的创新设计，只讨论位置编码，希望对大家有所帮助。
一文搞懂Transformer中的位置编码Positional Encoding
baidu_33000721的博客
04-09 2328
Transformer中Positional Encoding的思考
大模型语义分析之嵌入(Embedding)模型
2401_85328934的博客
12-30 1543
嵌入是大模型的基础，而嵌入的底层结构就是向量，而表示方式就是矩阵嵌入——Embedding，可能有些人了解过这个词，也可能没了解过这个词；但不管怎么说，嵌入在大模型技术中扮演着非常重要的角色；它是很多上层技术的基础。大模型的底层数学结构是向量，而由于计算机只能进行数值计算；因此向量在计算机中是通过矩阵结构进行表示的，优点就在于计算简单；并且能进行升维和降维操作。大模型之嵌入——Embedding今天在研究RAG技术的时候，一直在思考一个问题，嵌入；
RAG技术详解：提升大模型实时性与准确性的关键路径
资源摘要信息:"RAG（Retrieval Augmented Generation，检索增强生成）是一种前沿的人工智能技术，旨在通过融合信息检索与文本生成能力，显著提升大型语言模型（LLM）在实际应用中的准确性、实时性和上下文相关性。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值