建议收藏：程序员必学！一文读懂RAG架构演进与5种类型区别

最新推荐文章于 2025-12-05 18:08:24 发布

原创最新推荐文章于 2025-12-05 18:08:24 发布 · 788 阅读

CC 4.0 BY-SA版权

文章标签：

本文详细介绍了RAG技术的五种架构类型及其演进过程：从基础Naive RAG，到优化的Advanced RAG，再到适应不同场景的Modular RAG，处理复杂关系的Graph RAG，以及具有自主判断能力的Agentic RAG。尽管各种架构在实现和优化点上有所不同，但本质上都是通过检索增强模型生成能力。作者强调不同RAG架构并非互斥，而是可以相互协调以提升效果，并提供了实操代码案例供学习参考。

1、Naive Rag

其实想了解RAG的技术原理，基础RAG是最好的选择，因为其是RAG最初的版本；但受限于当时的技术和理论，因此基础RAG现在已经很少使用了，可能也就在刚开始学习的时候了解一下。

基础RAG的流程就是，通过相似度检索的方式召回相关数据，然后丢给模型进行增强生成；但这里有个问题就是，基础RAG的召回策略和生成过程都很简单，在真实的业务场景中测试效果都不怎么好。

2、Advanced Rag

高级RAG是在Naive Rag的基础之上做了功能升级；比如说刚开始学习RAG的时候，就知道把问题直接向量化，然后丢给向量库进行相似度检索；但在实际场景中发现召回率不足，也不准确。

因此，高级RAG就是在Naive Rag的基础之上做了优化；比如说召回优化，增加问题改写，知识库优化，提升文档的拆分质量，以及生成优化，把召回的文档进行重排序，格式化等操作。

3、Modular Rag

模块化Rag其实就更好理解了，在基于RAG的智能问答场景中，我们发现文档不但来源复杂，而且格式也很复杂；而且在不同的业务场景中需要使用不同的文档处理流程和召回策略。

比如说有些场景的主要文档格式是word/pdf，而有些场景的文档格式是excel/csv，还有是一些数据库和API。

这时，为了降低系统的开发和维护成本，就需要对不同的功能进行模块化开发，这样在不同的场景中选择不同的模块即可，而不用每次都重新开发。

4、Graph Rag

图Rag和上面的几种RAG架构的唯一区别就是其存储介质的不同，Graph Rag使用的是基于知识图谱的方式来组织和存储数据；这种方式在某些业务场景中具有更好的效果，比如说查询家庭成员关系，组织架构等。

由于图结构天生适合处理这种复杂的数据关系，因此Graph Rag在这种场景中具备天然的优势。

5、Agentic Rag

智能体RAG又被称为主动式RAG，上面几种RAG不论怎么设计，其都是基于根据用户问题进行数据召回，然后根据召回结果进行增强生成，这个流程是固定的。

但Agentic Rag是基于智能体实现的架构模式，其主要就是利用大模型独立思考和规划的能力，可以根据用户的问题自行判断是否需要进行数据召回。如果遇到一些简单的问题或者模型能够自己解决的问题，那么就可以避免召回的过程，以提升用户体验和响应速度。

因此，以上几种RAG架构，并没有跳出RAG的基本理论范畴，只不过在不同的环节上对RAG进行了优化，最终的目的都是为了提升模型的生成效果，解决用户问题。

但虽然RAG有多种不同的技术架构，但这些架构之间并不是非此即彼的关系，不同的架构之间可以互相协调，以此增强RAG的效果。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

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】