该选择哪种检索增强生成（RAG）方案？

从性能、成本与局限性三个维度对比向量RAG、无向量RAG与知识图谱RAG

检索增强生成（RAG）是一种扩展大语言模型能力的技术，它能在用户发起查询时，为模型接入外部知识库。模型不再仅依赖训练阶段学到的知识，而是先检索相关信息，再基于检索内容生成答案。

目前存在多种RAG实现方案，每种方案解决检索问题的思路各不相同。本文将以美食食谱数据集为样本，对比三种主流方案：向量RAG（vector RAG）、无向量RAG（vectorless RAG）与知识图谱RAG（Graph RAG）。

数据集概况

原始AllRecipes数据集清洗前预览图。

本文所用数据集源自AllRecipes网站的食谱爬虫数据。原始数据集共1090条记录，剔除129条重复数据后，最终保留961条唯一食谱。

AllRecipes数据集探索性概览

数据分析后呈现出几个显著特征：

• 甜点类食谱占比最高，超过整体数据集的三分之一；
• 烹饪时长呈现两极分化：15分钟以内快手食谱、45至75分钟长时食谱两大区间；
• 食谱食材数量中位数为10种；
• 评分高度集中在4.5分及以上，这也是爬虫数据的典型特征——只有热门食谱才会积累足够多的评价数据得以留存。

从图表可见，该数据集存在明显的甜点偏向性。现实中绝大多数数据集都无法做到均衡分布，本数据集也不例外。

下文设计了五项基准测试查询，用于检验各类RAG方案在数据分布不均、查询与数据不完全匹配场景下的表现。

基准测试查询

以下五类查询覆盖了检索复杂度的全场景：从基础关键词匹配、跨文档逻辑推理，到全语料规律归纳总结。

五项基准查询用于测试各类RAG方案的检索能力。

• Q1：基础召回能力测试
• Q2：结构化约束条件匹配测试
• Q3：语义理解测试，匹配用户意图而非字面关键词
• Q4：多文档关联逻辑推理测试
• Q5：聚合归纳测试，从全量语料中提炼规律，而非仅检索单条文档

数据子集划分

为控制词元消耗，无向量RAG与知识图谱RAG采用子集数据；向量RAG基于FAISS库实现检索，效率足够支撑全量数据集运行，且不会产生显著额外成本。

本文中，向量RAG索引全部961条食谱；无向量RAG限定仅使用100条食谱，单次查询词元消耗约25000。若扩容至全量961条，词元消耗将接近24万，超出大多数大模型的上下文窗口限制。知识图谱RAG预先从150条食谱中抽取实体并建立图谱，仅需一次性执行，缓存构建成本约0.015美元。

向量RAG

向量RAG是目前应用最广泛的RAG方案，具备速度快、成本低的优势，能够适配绝大多数业务场景的常规查询需求。

工作原理

首先，通过OpenAI的text-embedding-3-small模型，将每一份食谱转换为包含1536个数值的嵌入向量。内容相似的食谱会生成相近的向量特征：鸡汤食谱与牛肉高汤食谱的向量方向大致相近，而巧克力蛋糕食谱的向量则完全不同。

所有嵌入向量会存入Meta开源的向量检索库FAISS。当用户发起查询时，同一嵌入模型会将查询语句也转换为1536维向量。FAISS将查询向量与库存的961条食谱向量做相似度比对，返回相似度最高的Top-K条结果。

Top-K指单次查询中检索并送入大模型的文本块数量，常规默认值为5，具体取值需结合数据集特征与查询类型调整。食谱文本块与查询语句在送入FAISS前均做L2归一化处理，确保相似度评分由语义含义决定，而非文本长度。

文本分块策略

生成嵌入向量前，需将每份食谱处理为文本块。本文采用两种分块策略：

• 完整分块：将食谱所有字段合并为单个文本块生成嵌入；
• 拆分分块：将食材、制作步骤拆分为两个独立文本块，分别生成嵌入向量。

基于单条查询Top-1检索得分的分块策略对比

针对精准关键词查询，两种分块策略得分均为0.61；针对语义查询与聚合归纳查询，拆分分块略有优势。代价是向量数量与嵌入成本翻倍，961条食谱场景下差异可忽略，但千万级食谱规模下将成为关键决策点。本文基准测试结果均采用完整分块策略。

基准测试结果

向量RAG在五类查询下的基准表现

向量RAG在适配场景中表现优异：关键词查询（Q1）与语义查询（Q3）响应延迟低、词元消耗少且结果相关度高。
短板主要体现在：约束条件查询（Q2）、多跳关联推理（Q4）与聚合归纳查询（Q5）。适当增大Top-K取值可小幅优化，但涉及全语料跨文档推理的场景，仍需更换其他RAG方案。

无向量RAG

向量RAG是先筛选文本块再送入大模型，而无向量RAG则直接将全量文本交由大模型自主判断筛选。

工作原理

无向量RAG不依赖嵌入向量、向量索引，也没有传统意义上的检索环节。所有文档以纯文本形式加载至上下文，与用户查询一同直接送入大模型，由模型通读全部内容后生成答案。

这种模式并不陌生，本质就是将文档复制粘贴到ChatGPT中提问。LlamaIndex的SummaryIndex组件可自动化这一流程，核心推理能力仍依赖GPT-4o-mini，LlamaIndex仅负责流程编排。

无向量RAG会将子集内所有食谱全部写入提示词，由大模型自主筛选有效信息。它不会把所有文档平铺塞入上下文，而是通过TREE_SUMMARIZE树形总结模式：先分组总结文档，再对各组摘要二次归纳，逐层向上收敛直至输出最终答案。相比一次性塞入全部文本，该方式能更稳定地处理超长上下文。

词元消耗成本

无向量RAG的词元消耗会随数据集规模急剧攀升。

词元消耗对比——向量RAG vs 无向量RAG

无论查询内容是什么，无向量RAG单次查询固定消耗约25000词元；而向量RAG处理五类查询仅消耗1065~1481词元，单次查询词元消耗差距高达18倍。100条食谱规模下尚可接受，扩容至961条时，不仅会超出多数模型上下文窗口，单条查询成本也会从0.004美元飙升至约0.09美元。

总体而言，无向量RAG上手极简，但受限于词元成本与上下文限制，规模化落地难度极大。

基准测试结果

无向量RAG在五类查询下的基准表现

在约束条件查询（Q2）、多跳关联推理（Q4）与聚合归纳查询（Q5）场景中，无向量RAG表现优于向量RAG，原因是大模型可一次性读取全部子集数据。关键词查询（Q1）虽能得到相同答案，但词元成本大幅偏高。
该方案具备全量上下文的天然优势，但代价会随数据集扩容持续增加。

知识图谱RAG

知识图谱RAG采用完全不同的实现思路：既不将食谱转为向量，也不直接塞入提示词，而是先从食谱中抽取结构化事实，构建实体与关系关联图谱。

工作原理

实体抽取阶段借助GPT-4o-mini解析每份食谱，提取四类核心实体：食材、烹饪技法、菜系、饮食标签。每类实体作为图谱节点，食谱与实体间的关联作为边。
例如苹果派食谱，通过「使用食材」关联黄油、面粉、苹果；通过「使用技法」关联烘烤、搅拌；通过「归属菜系」关联美式料理。

基于150条食谱，最终构建出包含588个节点、1769条边的知识图谱。用户发起查询后，系统匹配问句关键词对应的实体节点，抽取关联子图谱并序列化为文本描述，再送入GPT-4o-mini生成答案。大模型无需读取全量图谱，仅获取与查询最相关的局部关联网络。

实体抽取与缓存机制

150条食谱的实体抽取一次性成本约0.015美元，后续所有请求均可直接复用缓存图谱。高并发查询场景下，知识图谱RAG的单条查询成本会远低于无向量RAG——后者每次查询都需全额消耗词元。

实体抽取提示词必须严格限定输出格式。若格式不规范，大模型会生成名称不一致的实体，导致图谱碎片化。例如「青森苹果」和「青森苹果（单数）」本应为同一节点，若无标准化约束会被拆分为两个独立节点，隐性破坏图谱结构。

知识图谱整体概况

节点类型分布清晰可见：150个食谱节点、129个唯一食材节点、58个烹饪技法节点、8个菜系节点、3个饮食标签节点。
高关联实体数据还挖掘出向量RAG与无向量RAG无法发现的隐性规律：150份食谱中，肉桂关联近100份、白砂糖关联90份、黄油关联70份。
这类结构化洞察无需发起查询、无需调用大模型、无需检索，仅通过图谱显性化关系即可直接得出。

食谱知识图谱

交互式图谱支持关系探索：点击任意食材节点，即可高亮所有关联食谱；检索某种烹饪技法，图谱会自动过滤仅展示对应食谱。
向量编码的是语义含义，图谱编码的是结构关联，二者本质完全不同。

基准测试结果

知识图谱RAG在五类查询下的基准表现

三类方案中，知识图谱RAG在聚合归纳查询（Q5）中表现最佳，可精准引用具体食谱来源，这是另外两种方案无法实现的。
短板在于约束条件查询（Q2）——实体抽取阶段未纳入数值属性信息；多跳关联推理（Q4）表现受限主要源于数据集菜系多样性不足，而非方案设计缺陷。
在注重结构关联与答案可溯源的场景下，知识图谱RAG能力最优。

综合对比

基准测试结果对比

下图清晰展示三种方案的优劣场景，以及数据集本身带来的性能上限约束。

向量RAG、无向量RAG、知识图谱RAG结果对比

仅Q1关键词查询中三种方案表现完全一致，其余查询均出现明显分化。Q2约束查询与Q5聚合查询最能体现方案差异；Q4多跳推理的短板更多源于数据集菜系单一，而非方案本身缺陷。

响应延迟

向量RAG在所有查询类型中延迟均为最低。Q1差距最为明显：向量RAG仅需3.5秒，无向量RAG高达21.1秒却输出相同答案。知识图谱RAG延迟居中，额外消耗来自子图谱遍历逻辑，这是纯向量检索无需承担的开销。

使用成本

所有查询场景下，无向量RAG的成本均为另外两种方案的18倍。其成本不随查询类型变化，因为每次都需送入全量文档；向量RAG与知识图谱RAG成本略有浮动，取决于检索内容规模与答案生成长度。

能力总结

五项基准查询整体性能汇总

向量RAG与无向量RAG答案准确率持平，但词元消耗相差18倍；知识图谱RAG准确率最高，成本与向量RAG接近，但延迟更高、部署复杂度大幅提升。
没有任何一种方案能在所有维度全面领先，实际业务中可根据场景组合多种RAG方案。

优劣取舍

三大RAG方案五维能力对比

• 向量RAG：均衡通用型方案。速度快、成本低，适配语义与关键词查询；短板是跨文档复杂推理能力不足。
• 无向量RAG：唯一优势是部署极简，无需嵌入向量、无需索引、无需图谱，直接加载文档即可查询。适合小规模数据集与快速原型验证，大规模场景下词元成本使其不具备落地可行性。
• 知识图谱RAG：查询灵活性与答案准确率拉满，部署复杂度最高；擅长处理聚合归纳、关联推理类复杂查询。前期图谱构建一次性投入成本高，图谱成型后单条查询成本与向量RAG持平。

研究局限性

本次实验所用961条食谱数据集，在生产级场景下属于小规模数据，且存在明显甜点偏向。更大规模、更多元的语料库可能会进一步拉大三种方案的性能差距。
本次采用大模型自评打分，部分场景优先流畅度而非精准度，向量RAG的Q4得分为5分就是典型案例，人工评估会得出不同结果。
三种方案全程共用同一大模型做实体抽取与答案生成，更换更强模型可整体提升所有方案表现，但方案间的相对差距不会改变。

总结建议

1. 数据集预处理：构建RAG系统前务必做好数据校验。本次实验中129条重复数据会扭曲所有评估指标，若跳过数据清洗，最终结论将建立在重复冗余的数据集之上。
2. 向量RAG调优：Top-K默认取值5仅为通用起点，简单关键词查询可适当调低取值，进一步降低成本与延迟。
3. 知识图谱RAG核心：实体抽取质量决定整套系统上限，抽取提示词必须严格规范输出格式，这是图谱结构完整性的基础。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】