一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

最新推荐文章于 2025-11-30 18:24:05 发布

原创最新推荐文章于 2025-11-30 18:24:05 发布 · 306 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #langchain #AI大模型 #自然语言处理 #LLM #RAG #Agent

RAG已经不是什么新鲜的概念了，自2023年发展至今也有两年时间了，从最早的传统RAG进化到如今各类更智能的RAG，今天给大家简单介绍下现在用的最多的这四种RAG。

传统RAG

传统RAG是最早期出现的RAG架构方式，也是我们通常所指传统意义上RAG基本概念。它的出现了，通过外挂知识库的方式，降低了大模型幻觉，解决了大模型即使不通过微调，也可以使大模型具备专业的领域知识。其核心的流程包含三个阶段：索引构建、查询与生成。

索引阶段：将原始文档转换成向量，存储至向量数据库。这个阶段一般包含：文档清洗（去重、降噪、脱敏等）→切块（chunk）→向量化（embedding）→入库（FAISS/Milvus/pgvector等向量数据库），这四大步骤处理。

查询阶段：根据用户输入，去向量数据库检索出相关信息。

生成阶段：将检索出的信息与原始的用户输入交给大模型，引导模型输出更准确的答案。

后来为了提升检索的准确性，可以在查询阶段加入ReRank机制，对检索出的信息进行重新排序。

传统RAG的特点：

1、传统RAG能够处理的文档格式比较简单，通常限于文本和图片两种。

2、知识库多为静态知识库，如果知识更新，需要重新构建索引（embedding处理）。

3、通常只是进行一轮的知识库检索，并且将检索的结果与原始提示词进行简单拼接后，直接提交给大模型进行生成结果。

一句话总结：检索→拼接→生成，最适用于简单的企业内部各类知识问答场景。

多模态RAG

多模态RAG是传统RAG的进阶版本，此时的RAG技术不再局限于文本数据，而是能够处理和理解更丰富的数据类型，例如还可支持表格、图像、视频、音频等多种模态数据的检索和生成。

技术实现上，我们可以借助于OCR技术与一些多模态Embedding模型（例如阿里的Qwen3-Embedding系列模型）实现。

一句话总结：将文本 + 图片/表格/音频/视频/图纸等都纳入检索与理解。

Agentic RAG

传统的RAG，信息检索只是一个必须而又被动的检索步骤，是大模型回答前必须的一个前置检索步骤，用于给大模型回答提供炮弹。而Agentic RAG，相当于在传统RAG的基础上，引入了智能体（Agent）的概念，使检索过程更加智能化和自主化。根据用户的需求，Agentic RAG可以决定是否需要检索、何时进行检索、如何利用检索结果，并且可以进行多轮检索，对检索结果自己进行迭代和优化。所以要实现Agentic RAG，这里就需要我们创建一个智能体了，而检索过程将被封装成可以自主调用、评估、迭代和优化的工具，难度更高。

Agentic RAG特点：

1、自主决策：可自主决定检索时机和策略，提高了检索的灵活性和准确性。

2、多轮检索：支持多轮检索和迭代优化，能够根据初步检索结果调整后续检索策略，检索结果更靠谱。

3、复杂融合：检索结果与上下文信息的融合更加复杂和智能，能够更好地支持多轮对话和复杂任务。

一句话总结：Agentic RAG会计划、会反思、会用工具，通过多轮自我驱动把需求拆解、检索、迭代、融合、评估、优化。

GraphRAG

GraphRAG，顾名思义，加入了图谱的概念，它是知识图谱与RAG的结合，通过引入图结构（建模实体之间结构化关系），提供更丰富的上下文信息和推理路径，来增强检索和生成的推理能力。整体复杂度高，前期实体建模成本高，相比于上面提到的3种RAG方式，GraphRAG普及度低一些。技术实现层面，可以考虑用Neo4j + LlamaIndex组合或微软的GraphRAG等方式实现。