【RAG优化】一文整理20多种目前常用的 RAG 创新方法

大家好，我是 同学小张，+v: jasper_8017 一起交流，持续学习AI大模型应用实战案例，持续分享，欢迎大家点赞+关注，订阅我的大模型专栏，共同学习和进步。
现在订阅专栏，+微信私信我 返3元，即将涨价！

---

搜罗了一下目前常用的和比较前沿的RAG方法和研究，20多种。

0. 标准 RAG

• 介绍 ：一个基本的 RAG 系统由检索模块和生成模块组成。系统会对查询进行编码，检索相关的文档块，然后为基于 transformer 的 LLM 构建丰富的提示。
• 创新点 ：将外部知识动态注入生成过程，而无需修改 LLM 本身，就像是给 LLM 戴上了一副能随时获取新知识的 “眼镜”。
• 优点 ：简单有效，能够提升 LLM 的生成效果。
• 缺点 ：存在检索到很多与 query 无关的片段，增加噪声输入，与 query 关联的信息比较稀疏，需要 LLM 本身去提炼或挖掘利用。

---

1. GraphRAG

• 创新点：结合知识图谱与RAG，通过实体和关系建模增强语义关联，支持多跳推理和复杂查询。例如，利用图谱的拓扑结构优化检索路径，提升对开放域问题的回答质量。
• 优点：显著提高答案的全面性和逻辑性，适用于知识密集型任务（如医学、法律问答）。
• 缺点：图谱构建成本高，多模态图谱融合难度大。