知识图谱
RAG 检索增强生成
RAG 结合检索与生成，从外部知识库获取相关信息后由大模型生成回答。
核心
概念
方法
应用
对比实验室
RAG 架构对比：朴素RAG vs 高级RAG vs Modular RAG
RAG 技术从简单检索-生成发展到模块化架构，能力不断增强。
| 对比项 | 朴素 RAG | 高级 RAG | Modular RAG |
|---|---|---|---|
| 检索策略 | 单次向量检索 | 检索+重排序+查询优化 | 多模块灵活组合⭐ |
| 查询处理 | 直接使用原始查询 | 查询改写/扩展 | 路由+转换+扩展⭐ |
| 文档处理 | 简单分块 | 语义分块+元数据 | 多粒度分块+层次索引⭐ |
| 检索后处理 | 无 | 重排序 | 过滤+重排序+去重+融合⭐ |
| 可扩展性 | 低 | 中 | 高⭐ |
| 实现复杂度 | 低 | 中 | 高 |
| 适用场景 | 简单问答 | 生产环境 | 复杂企业应用⭐ |
| 可控性 | 低 | 中 | 高⭐ |
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📚
RAG工程化RAG(检索增强生成)由Facebook/Meta于2020年发明,灵感来自人类查阅参考书的习惯。有趣的是,工程实践中RAG失败的最常见原因不是模型不够强,而是文档切分太粗暴——一句话被拦腰截断,再强的模型也救不了。
一句话总结
💡
RAG 工程化涵盖文档分块、嵌入、检索、重排与生成全链路优化，解决开箱即用 RAG 效果不佳的问题。
常见误区
这些坑别踩
✗
误区 1
RAG 就是向量检索加生成。
✓
正确理解
生产级 RAG 需处理分块策略、查询改写、混合检索、重排、引用溯源等工程问题。
✗
误区 2
嵌入模型越好 RAG 越准。
✓
正确理解
检索质量受分块、查询变换、重排等多环节影响，非单一模型决定。
✗
误区 3
RAG 能消除幻觉。
✓
正确理解
RAG 提供证据降低幻觉，但模型仍可能忽略或曲解检索内容，需引用校验。