Naive RAG 、Advanced RAG、Modular RAG、 Graph RAG、Agentic RAG的定义与使用场景和案例说明

关于如何在AI时代建立知识库，欢迎听KMCenter的“AI时代知识库搭建与运营在线课程”，除了方法论讲述，还有相关模板、案例、示例共享和一对一辅导，感兴趣联系微信号：511956894

以下为正文：

Naive RAG (基础检索增强生成)

是最简单的 RAG（Retrieval-Augmented Generation）形式，通过将用户查询与外部知识库中的文档进行匹配，检索相关内容后直接输入到生成模型（如大语言模型，LLM）中生成答案。

它通常包括基本的向量搜索和简单的上下文拼接。检索和生成步骤较为独立，缺乏复杂的预处理或后处理。依赖简单的语义搜索（例如基于余弦相似度的向量检索）。上下文处理能力有限，可能导致无关或冗余信息被纳入生成。

• 场景: 用户在教育平台上提问：“Python 的 print 函数是什么？”
• 过程: 系统通过向量搜索检索 Python 官方文档，找到相关片段（如“print() 用于输出到控制台”），直接输入 LLM 生成答案：“print() 函数用于将指定内容输出到控制台。”
• 特点：适合简单任务，成本低但功能有限。

Advanced RAG (高级检索增强生成)

在 Naive RAG 的基础上引入了优化技术，如查询重写、上下文压缩、结果重排等，以提高检索精度和生成质量。包含预处理步骤（如查询扩展、语义增强）以优化检索。使用后处理技术（如重排、过滤）去除无关信息。可能结合多模态数据（如图像、表格）或多轮交互。

• 场景: 用户查询：“2025 年最新的个人所得税政策是什么？”
• 过程: 系统先对查询进行重写（如“2025 personal income tax policy changes”），检索最新法规文档，过滤无关条款，重排结果后输入 LLM 生成简洁总结。
• 特点：提升精度，适合需要高质量答案的场景。

Modular RAG (模块化检索增强生成)

将 RAG 流程分解为多个可独立配置的模块（如检索模块、预处理模块、生成模块等），允许灵活组合和定制以适应不同任务。模块化设计，各个组件（如检索器、生成器）可以独立优化或替换。支持动态调整流程，例如根据任务选择不同的检索策略或生成模型。强调可扩展性和复用性。

• 场景: 企业需要一个支持多语言、多模态（文本+表格）的内部知识库问答系统。
• 过程: 系统配置多语言检索模块、表格解析模块和生成模块，动态选择适合的检索器（如中文文档用 BM25，英文用向量搜索），生成多模态答案。
• 特点：提供灵活性，适合定制化需求。

Graph RAG (图谱检索增强生成)

利用知识图谱（Knowledge Graph）作为外部知识库，通过图结构存储实体和关系，结合图遍历或查询来增强检索和生成。利用图结构捕捉实体、属性和关系之间的复杂关联。支持多跳推理（multi-hop reasoning），适合需要深入语义理解的任务。检索结果更具结构化，生成答案更具逻辑性和连贯性。

• 场景: 用户提问：“特斯拉的创始人是谁，与 SpaceX 的关系是什么？”
• 过程: 系统查询知识图谱，找到“埃隆·马斯克”作为特斯拉创始人，遍历图谱发现其与 SpaceX 的“创始人”关系，生成答案：“埃隆·马斯克是特斯拉和 SpaceX 的创始人，两家公司由他共同创立。”
• 特点：擅长复杂关系推理，适合结构化知识场景。

Agentic RAG (代理式检索增强生成)

引入智能代理（Agent）机制，使系统能够根据任务动态规划、执行多步检索和生成，甚至与外部工具交互（如调用 API、执行代码）。强调自主性和交互性，代理可以根据上下文动态调整检索和生成策略。支持多轮交互、工具调用和复杂任务分解。结合了 LLM 的推理能力和外部资源（如数据库、搜索引擎）。

• 场景: 用户要求：“分析某股票近一个月的趋势并预测未来一周。”
• 过程: 代理分解任务：1) 调用金融 API 获取股票数据；2) 检索相关新闻和财报；3) 结合数据和新闻生成趋势分析；4) 使用预测模型生成未来一周的预测。最终输出详细报告。
• 特点：面向动态、复杂任务，具备高度自主性。