17 种 RAG 架构实现原理与选型

RAG（Retrieval-Augmented Generation）是一种结合外部知识检索与语言模型生成的混合技术架构。它在大型语言模型（如 GPT）生成能力的基础上，通过外部知识库提高了准确性、时效性和可控性，广泛用于企业问答、搜索增强、智能客服、代码辅助、知识图谱等场景。

然而，RAG不是一个固定结构,也没有固定的套路，而是一套可以灵活演化的系统。

本文将结合当前主流实践，分析三类策略，17种 RAG 实现方法的技术原理，帮助你选择最适合业务场景的方案。

一、文档分块策略（方法1～5）

1. Simple RAG（基础版）

原理：将问题向量化 → 检索向量库中的文档片段 → 拼接后交给LLM生成。

2. Semantic Chunking（语义分块）

原理：

• 使用语言模型或句法树对文档进行语义切分，而非按字符或固定长度分块。
• 保证块的完整语义。
• 提高召回质量。

技术方案：NLTK + Transformer Embedding + 动态窗口切割

3. Context Enriched Retrieval（上下文增强）

原理：

• 每个块包含其前后邻居段落，实现“块+上下文”的完整语义输入。
• 上下文丰富，回答更准确。
• 支持滑动窗口式切块。

4. Contextual Chunk Headers（块头标签）

原理：

• 提取章节名、标题等结构性标签，与正文一起向量化。
• 增强分类与上下文提示能力。
• 适合结构明确的文档。

5. Document Augmentation（文档增强）

原理：

• 对每个文档构造多个“视图”：标题、摘要、正文、元数据等，统一入库。
• 多角度增强检索命中率。

工具：ChunkRAG、DocView RAG。

二、检索与排序增强（方