一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG

关注

原创最新推荐文章于 2026-08-12 14:56:44 发布 332 阅读 AI 写同款· GEO 优化 ›

Agentic RAG系列：3、Agentic RAG流程和最佳实践-完整落地实践基于Agent的RAG增强系统研究本文提出了一种Agentic RAG（Agent-based Retrieval-Augmented Generation）框架，通过引入智能体组件来增强传统RAG系统的检索和生成能力。研究构建了一个包含知识库检索和实时网络搜索的多工具智能体系统，采用LangGraph图结构实现流程编排，包含模型调用、工具执行和条件路由等核心节点。实验结果表明，该系统能够智能决策何时调用各类检索工具，并通过消息传递机制实现组件间协作，有效解决了传统RAG在动态信息获取方面的局限性。该框架阅读详情

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。