近两年，凡是涉足 AI 编程领域的人，几乎都听说过一个热门概念——RAG（Retrieval-Augmented Generation，检索增强生成）。

然而，很多开发者对 RAG 的理解仅仅停留在“检索增强生成”这六个字上，面试官多追问几句就容易卡壳。本文旨在进行一次全景式科普，从最基础的 Naive RAG 到当下最主流的 Agentic RAG，系统梳理 16 种主流 RAG 方案，帮你一次性理清脉络。无论未来遇到什么应用场景，你都能选出最适合的 RAG 路线。

干货满满，建议先收藏再慢慢阅读。

什么是 RAG？

AI 大模型存在几个硬伤：知识有截止日期、会一本正经地胡说八道（即“幻觉”）、缺乏企业私有知识。例如，当你问 DeepSeek“程序员鱼皮的最新项目是什么？”它可能回复两年前的老项目，技术栈完全对不上。

RAG 解决这个问题的思路非常直观——先检索，再回答。让大模型在生成答案之前，先去搜索相关的资料，然后基于这些检索到的知识来组织回答。就像考试时悄悄翻书，遇到不会的题目先翻一翻参考书，再根据书里的知识点答题。

同样的问题，如果主动给 AI 提供一些参考资料，它的回答就会准确很多。

听起来思路很简单，但在实际工程中已经演化出各种不同的实现方法，从最初的“切块→搜索→生成”到让 AI Agent 自主决策检索策略的 Agentic RAG，复杂度和能力天差地别。

有人可能会问：现在的大模型不是已经支持百万 token 的上下文窗口了，还需要 RAG 吗？答案是——需要，而且用得比以前更多。把所有文档塞进上下文窗口，既昂贵又不靠谱。上下文越长，token 费用越高，而且大模型普遍存在“Lost in the Middle”问题，对超长上下文中间部分的注意力会明显下降。这就像听别人讲话，开头和结尾印象最深，中间部分容易遗忘。

当然，RAG 和长上下文并不是互斥关系。目前的最佳实践是：先用 RAG 给 AI 提供相对精确的资料，再利用长上下文窗口进行有针对性的分析推理，两者互补。

背景交代完毕，下面正式进入主题。

主流 RAG 方案

标准 RAG 及变体

Naive RAG

Naive RAG 这个名字听起来很厉害，但 Naive 其实是“朴素”的意思，它是最基本的 RAG 实现方案。

假设你有一份 200 页的《员工手册》，如何让 AI 基于里面的内容回答员工提问？最简单粗暴的做法就是把整本手册每次都塞给 AI。但一本手册可能几十万字，全塞进去又贵又慢，而且上下文一长，大模型还容易出现前面提到的“Lost in the Middle”问题。

更合理的思路是：员工问什么，就只把相关的几段内容塞给 AI。问题又来了——怎么定位到相关的那些段落？如果仅靠关键词匹配，容易出现“老板不批假怎么办”和文档里“请假审批流程”对不上的情况。这就需要用到向量了。

所谓向量，就是把一段文字用一串数字表示出来，让计算机可以比较语义上的相似度。语义越接近的句子，向量在数学空间里离得越近。负责把文字转成向量的模型叫 Embedding 模型；存储这些向量并支持快速相似度搜索的数据库叫向量数据库，例如 Milvus、Chroma、Qdrant 等。

理解了向量，Naive RAG 的做法就很好理解了，主要分两步：

第一步是离线索引：

1. 把文档切成小块（chunk），每块几百字
2. 用 Embedding 模型把每个小块转成向量
3. 把向量和对应原文都存进向量数据库

第二步是在线查询问答：

1. 把用户问题也用 Embedding 模型转成向量
2. 去向量库里搜索最相似的几个文档块（比如 Top 5）
3. 把这几个块和用户问题拼成 Prompt，交给大模型生成回答

回到 200 页的员工手册场景，当员工问“年假有多少天？”时，RAG 的流程是这样的：系统把问题转成向量→在向量库中找到最相似的 5 个文档块（例如“入职满一年享有 10 天年假，满三年 15 天…”）→把这 5 个块连同问题交给大模型→大模型回答：“入职满一年享有 10 天年假”。

不过 Naive RAG 也有一些明显的问题：切块方式粗暴，可能把一段完整语义从中间截断；检索质量完全依赖 embedding 模型，搜不到就没辙；搜到了垃圾文档也不管，导致输出错误答案。这些局限正是后面所有进阶方法要解决的目标。

下面用伪代码帮助理解，不熟悉编程的同学可以跳过，不影响后续学习。

离线索引阶段：

# 1. 将文档切分为小块，chunk_size=500 表示每块 500 字，chunk_overlap=50 表示相邻块之间重叠 50 字，避免关键信息被切断
chunks = split_into_chunks(documents, chunk_size=500, chunk_overlap=50)

# 2. 将每个小块编码为向量，连同原文一起存入向量数据库
for each chunk in chunks:
    vector = embedding_model.encode(chunk)  # 调用 Embedding 模型编码
    vector_store.insert(vector, chunk)      # 向量和原文一起入库

在线查询阶段：

# 1. 用同一个 Embedding 模型将用户问题也编码为向量
query_vector = embedding_model.encode(user_query)

# 2. 在向量库中搜索最相似的 Top 5 文档块
top_k_chunks = vector_store.search(query_vector, k=5)

# 3. 将检索到的文档块拼进 Prompt，作为参考资料
prompt = "基于以下参考资料回答问题：\n" + join(top_k_chunks) + "\n问题：" + user_query

# 4. 交给大模型生成最终回答
answer = LLM.generate(prompt)

Multi-Query RAG

用户提问的方式千奇百怪。例如，同样想知道公司报销流程，有人问“怎么报销”，有人问“费用审批流程”，还有人问“花了钱怎么找公司要回来”。但文档里可能只写了“报销申请流程”这一种表述。如果用户的措辞和文档差距太大，向量检索就可能搜不到。

Multi-Query 的思路是：既然一种问法搜不全，那就让大模型把原始问题改写成多种不同的表述，分别去搜索，最后合并去重。

代价就是每次提问要多调用一次 LLM 做改写，再多跑 N 次向量检索，延迟和成本都会增加。而且如果 LLM 改写出的问题方向跑偏，会把无关文档也带进来。因此它比较适合面向普通用户的客服、电商等场景——用户表述口语化、与文档术语差距较大，多花这点成本是值得的。但在术语规范的专业领域，Multi-Query 的收益就很有限了。

Multi-Query RAG 的代码实现：

# 1. 让 LLM 将原问题改写为多个不同的表述
queries = LLM.generate("请将以下问题改写成3个不同的表述：" + user_query)
// 例如AI返回: ["报销流程是什么", "费用审批怎么操作", "如何提交报销申请"]

# 2. 每个表述分别走一次向量检索
all_results = []
for each query in queries:
    results = vector_store.search(embed(query), k=5)
    all_results.append(results)

# 3. 合并去重，得到覆盖面更广的候选文档
merged_chunks = deduplicate(all_results)

# 4. 将合并后的文档 + 原始问题交给大模型生成回答
answer = LLM.generate(merged_chunks + user_query)

HyDE

AI 回复效果不好，可能不是因为用户问法不好，而是用户的问题和文档的语义空间不一致。用户的提问往往很短，比如“KV Cache 是什么？”，就这么几个字。但文档里关于 KV Cache 的描述可能是一大段技术解释。一短一长，在 embedding 空间中可能离得很远，导致检索不到。

HyDE 的做法是让大模型凭空写一个答案（不必完全准确），然后用这段假答案的向量去检索。因为假答案和真实文档的文体更接近，两者在向量空间中离得也更近。

还是上面的例子，用户问：“KV Cache 是什么？”LLM 先编一段假答案：“KV Cache 是一种在 Transformer 推理过程中缓存 Key 和 Value 矩阵的优化技术，可以避免重复计算…”这段假答案虽然不一定完全准确，但它的向量和真实文档里关于 KV Cache 的描述非常接近，所以能精准命中。

不过 HyDE 也有风险：如果 LLM 编的假答案方向完全跑偏（比如把 KV Cache 理解成了 Redis 缓存），那检索结果就会更差。所以它比较适合 LLM 对问题领域有基本认知的场景，冷门领域或企业私有术语慎用。

HyDE 的代码示例：

# 1. 让 LLM 先凭空生成一段“假答案”（不必完全准确）
hypothetical_answer = LLM.generate("请回答：" + user_query)

# 2. 用假答案的向量去检索，因为它的文体更接近真实文档
hyp_vector = embedding_model.encode(hypothetical_answer)
top_k_chunks = vector_store.search(hyp_vector, k=5)

# 3. 将检索到的真实文档 + 原始问题交给大模型生成最终回答
answer = LLM.generate(top_k_chunks + user_query)

上面这三种方法，解决的是“能不能搜到”的问题。但搜到之后，资料的质量好不好呢？这就是下面要处理的了。

提升检索质量

语义分块（Semantic Chunking）

Naive RAG 里最粗暴的一步就是切块，每 500 个字切一刀，不管是不是正好切在一句话中间。比如“员工请假需要提前 3 天申请，超过 5 天需要”在这里被截断，下一块从“部门经理审批”开始，两块单独看都不完整。虽然可以通过 chunk_overlap 设置重复内容，但效果有限。

语义分块的做法是先把文档按句子拆开，计算相邻句子的 embedding 相似度，当相似度突然下降时（说明话题变了），就在这里切一刀，尽量保证每个句子的语义都完整。

代价是：需要为每一句话都计算一次 embedding，成本和耗时比按字数切分高，而且相似度阈值非常难调。所以比较适合结构松散、话题变化快的文档，比如会议纪要、访谈记录。对于本身有清晰章节结构的技术手册、产品说明文档，直接按标题切效果也不差，更便宜。

语义分块的伪代码：

# 1. 将文档拆分为单个句子
sentences = split_into_sentences(document)
chunks = []
current_chunk = [sentences[0]]

# 2. 遍历相邻句子，计算 embedding 相似度
for i from 1 to len(sentences) - 1:
    similarity = cosine_similarity(embed(sentences[i-1]), embed(sentences[i]))
    # 相似度骤降，表示话题切换
    if similarity < threshold:
        chunks.append(join(current_chunk))
        current_chunk = []
    current_chunk.append(sentences[i])

层级索引（Parent-Child Retrieval）

切块这件事有一个天然矛盾：切得小，检索精度高但上下文不足；切得大，上下文丰富但噪声也大。Parent-Child Retrieval 的策略是“两层都要”——先把文档切成大块，再把每个大块细分成小块。检索时用小块匹配，命中后返回它所属的大块。这相当于在书里搜到某一句话时，把所在的整个章节都拿过来看。

学过数据库的应该对这种思路不陌生。这种方案非常适合长文档场景，比如技术手册、法律合同、产品文档等，往往需要连带上下文一起看才能理解。

层级索引的伪代码：

# 1. 离线阶段：文档先切大块，再在大块内切小块
for each document:
    parent_chunks = split_into_sections(document)
    for each parent in parent_chunks:
        child_chunks = split_into_paragraphs(parent)
        # 只对小块建向量索引，但保留它属于哪个大块
        for each child in child_chunks:
            index.insert(embed(child), child, parent_id=parent.id)

# 2. 在线阶段：用小块做精确匹配
matched_children = index.search(embed(query), k=5)

# 3. 但返回的是小块所属的大块，保证上下文完整
parent_ids = unique([child.parent_id for child in matched_children])
context = [get_parent_chunk(pid) for pid in parent_ids]

# 4. 将大块作为上下文交给大模型
answer = LLM.generate(context + query)

Hybrid Search 混合检索

纯向量检索有一个缺点：无法精确术语匹配。比如用户问“ERROR_CODE_4012 是什么意思？”向量检索会去找语义相似的内容，但这种编码本身没什么语义，向量搜索可能找到一堆讲错误处理的段落，就是找不到那个精确提到 4012 的段落。而传统的关键词搜索擅长精确匹配，但不理解语义，比如搜“如何退款”就搜不到写着“退货及返还货款流程”的文档。

Hybrid Search 就是同时使用两种搜索然后合并排序。向量搜索负责语义理解，BM25 负责精确匹配，通过 RRF（Reciprocal Rank Fusion）算法把两边的结果合并成一个排序。

几乎所有生产环境都建议用 Hybrid Search 替代纯向量搜索，尤其是技术文档、医疗、法律等术语密集的领域。

Hybrid Search 的实现代码：

# 1. 同时跑两路检索，各自召回 Top 20
semantic_results = vector_store.search(embed(query), k=20)
keyword_results = bm25_index.search(query, k=20)

# 2. 用 RRF 算法融合两路结果，公式：1 / (60 + 排名)，分数越高越相关
for each doc in (semantic_results ∪ keyword_results):
    score = 0
    if doc in semantic_results: score += 1 / (60 + rank_in_semantic)
    if doc in keyword_results:  score += 1 / (60 + rank_in_keyword)

# 3. 按融合后的分数排序，取 Top 5 交给大模型
final_results = sort_by_score(all_docs, top_k=5)
answer = LLM.generate(final_results + query)

Reranking 精排

不管是向量搜索还是 Hybrid Search，检索回来的候选文档里总会混着一些看起来相关但实际没用的噪声。Reranking 的做法是在检索和生成之间加一个精排步骤：用 Reranker 模型给每对 (query, doc) 重新打分。前面提到的 embedding 模型是分别给 query 和 doc 算向量再比较距离，快但粗糙；Reranker 是把它们拼在一起送进模型打分，慢但精准。

在实际生产中，如果语料库有十万级以上的 chunk，一般会采用级联检索方案，分层筛选：

为什么要分这么多层？如果粗检索只捞 20 个内容，在大型语料库里很容易漏掉关键文档；但如果一次性捞 150 个，全送进 Cross-Encoder 算力扛不住。分层筛选是在召回率和计算成本之间找平衡。当语料库 chunk 比较多时，Reranking 的效果提升非常显著。可以这样理解：粗检索负责不遗漏，精排负责不掺假，跟推荐系统里的粗排和精排很像。

分层筛选的实现代码：

# 第一层：粗检索，保证召回率
candidates = hybrid_search(query, k=150)

# 第二层：轻量 Reranker 初筛
semi_final = lightweight_reranker.rank(query, candidates, top_k=20)

# 第三层：Cross-Encoder 精排，只处理 20 个
scored = []
for each doc in semi_final:
    score = cross_encoder.score(query, doc)
    scored.append((doc, score))
top_docs = top_k(scored, k=5)
answer = LLM.generate(top_docs + query)

到这里，已经能搭出一个相当不错的 RAG 系统了。语义分块 + Hybrid Search + Reranking，这三板斧组合起来，就是大多数生产级 RAG 系统的基础配置。

前面的方法都在优化怎么搜得更准，但有一个更根本的问题没解决：如果搜到的全是垃圾，大模型还是会一本正经地基于这些垃圾内容生成答案。这就像开卷考试带错了书，还照着抄了上去……所以接下来要聊一聊，怎么让 RAG 学会自我纠错。

RAG 反思机制

Corrective RAG（CRAG）

不管我们怎么优化检索，总会有搜不到或者搜歪了的情况。这时候大模型如果还硬着头皮拿这些内容去回答，那就避免不了一本正经地胡说八道。CRAG 就是通过“把搜到的资料过滤一遍”来解决这个问题的。

具体做法是在检索和生成之间插入一个质检员，逐个审查检索到的文档是否和问题相关，然后根据审查结果走不同分支：

• 打分高的，说明资料靠谱，直接喂给大模型生成答案
• 打分低的，说明内部知识库里压根没找着相关内容，干脆回退到 Web 搜索兜底
• 打分模糊的，把两边的结果合一起送进去

Corrective RAG 的示例实现：

# 1. 先跑一遍常规检索
docs = retriever.search(query, k=5)

# 2. 逐个让 LLM 判断文档是否与问题相关
relevant_docs = []
for each doc in docs:
    score = LLM.judge("这段内容和问题相关吗？", query, doc)
    if score > threshold:
        relevant_docs.append(doc)

# 3. 根据审查结果走不同分支
if len(relevant_docs) > 0:
    answer = LLM.generate(relevant_docs + query)
else:
    new_query = LLM.rewrite(query)
    web_results = web_search(new_query)
    answer = LLM.generate(web_results + query)

最关键的是那个 else 分支：如果内部知识库完全搜不到有用信息，CRAG 会自动回退到 Web 搜索（当然也可以是其他策略）。

Self-RAG

CRAG 在检索阶段做了质检，但生成阶段呢？大模型完全有可能拿到了正确的参考资料，但回答的时候夹带私货，在答案里掺入了参考资料中根本没提到的内容——这就是生成阶段的幻觉。

Self-RAG 的思路是在整个流程中设置四个检查点，每一步都让模型自我审视：

• 这个问题需要检索吗（Retrieve）？
• 检索到的文档相关吗（IsRel）？
• 我的回答有文档支撑吗（IsSup）？
• 这个答案对用户有用吗（IsUse）？

Self-RAG 的示例实现：

# 1. 判断这个问题是否需要检索
need_retrieval = LLM.judge("这个问题需要外部知识吗？", query)
if not need_retrieval:
    return LLM.generate(query)

# 2. 检索 + 逐个过滤相关文档
docs = retriever.search(query, k=5)
relevant_docs = filter(docs, where LLM.judge("和问题相关吗？") == true)

# 3. 生成初步答案
answer = LLM.generate(relevant_docs + query)

# 4. 检查答案的每个论断是否都有文档依据
is_supported = LLM.judge("答案中的每个论断都能在文档中找到依据吗？", answer, relevant_docs)
if not is_supported:
    answer = LLM.regenerate(relevant_docs + query + "请严格基于参考资料回答")

一般来说第三个检查点的价值相对较高，能在一定程度上避免 AI 的幻觉。

Adaptive RAG

CRAG 和 Self-RAG 都在给 RAG 加流程来解决问题，但这样增加了多次 LLM 调用，提升了成本。如果用户问的是“你好”或者“今天星期几”，还要跑一遍完整的检索+质检+生成流程，有点开着坦克去买菜的意思，纯属浪费。

Adaptive RAG 在最前面加了一个路由器（分类器），先判断问题的复杂度，然后决定走哪条路线：

Adaptive RAG 的实现代码很简单：

complexity = classifier.predict(query)

# 简单问题直接答
if complexity == "simple":
    answer = LLM.generate(query)

# 一般问题检索一次
else if complexity == "moderate":
    docs = retriever.search(query)
    answer = LLM.generate(docs + query)

# 复杂问题采用 CRAG
else:
    answer = run_full_crag_pipeline(query)

这个分类器可以是一个微调的小模型，也可以用 LLM 的 few-shot 实现，关键是让简单问题和复杂问题分别处理。这种方案适合流量混杂的场景，比如既有“公司地址在哪”这种一句话能答的问题，又有“对比 A 和 B 两个方案的优缺点”这种需要多文档综合分析的复杂问题。

上面这些方法处理的都是非结构化文本，但如果数据是关系网络或者表格呢？那就需要下面的方法了。

结构化知识增强

GraphRAG

前面这些方法都有一个共同的问题：答案必须落在某一个文档块里。但现实里经常有一类问题——答案散落在多个文档中，需要串起来推理。举个例子，文档 A 写着“张三是 AI 部门的负责人”，文档 B 写着“AI 部门属于技术中心”。用户问：“张三属于哪个中心？”传统向量检索大概率只能搜到文档 A，但要回答这个问题，必须把 A 和 B 连起来推理：张三→AI 部门→技术中心。这种跨文档的多跳推理，纯向量搜索很难搞定。

GraphRAG 就是用来解决这种问题的，这是 Microsoft Research 在 2024 年提出的方法。

它的思路是先把文档变成知识图谱，再基于图谱来检索和推理。具体做法分 3 步：

1. 用 LLM 逐篇读文档，抽取里面的实体（人、部门、产品等）和关系，构建成一张图谱
2. 用 Leiden 算法对图谱做社区划分，把关联紧密的实体聚成一团，然后让 LLM 为每个社区生成一段摘要
3. 提问时先定位到相关实体，沿着关系拿到子图

根据微软的评测，在全局语义理解类问题上，GraphRAG 答案的全面性和多样性显著优于传统向量 RAG。但对于简单的事实查询，两者效果差不多，没必要用。需要注意的是，GraphRAG 要用 LLM 逐篇抽实体关系，图谱构建成本比向量索引高得多，查询延迟也更大，使用之前一定要评估是否必要。

GraphRAG 的伪代码实现：

# 1. 离线阶段：用 LLM 从每篇文档中抽取实体和关系，构建知识图谱
for each document:
    entities, relations = LLM.extract("请抽取文中的实体和关系", document)
    knowledge_graph.add(entities, relations)

# 2. 用 Leiden 算法做社区划分，并为每个社区生成摘要（用于回答全局性问题）
communities = leiden_algorithm(knowledge_graph)
for each community:
    summary = LLM.summarize(community.entities, community.relations)

# 3. 在线阶段：先定位相关实体，沿关系遍历 2 跳获取子图
relevant_entities = knowledge_graph.search("张三")
subgraph = knowledge_graph.traverse(relevant_entities, hops=2)

# 4. 将子图和社区摘要作为上下文交给大模型生成回答
answer = LLM.generate(subgraph + community_summaries + query)

Text-to-SQL RAG

如果数据本身就是结构化的表格（比如销售数据、用户行为日志、财务报表），传统 RAG 就不合适了——对表格数据做 embedding 非常低效。用户问“上个月销售额最高的产品是哪个？”本质上就是一条 SQL，向量搜索对这种聚合、排序、筛选类的需求完全没辙。

Text-to-SQL RAG 的做法是让 LLM 直接把自然语言翻译成 SQL，执行查询，再把查询结果作为上下文来回答。

这个方案适合所有数据分析类需求，比如 BI 看板问答、数据库运维助手、财务报表查询等，本质上是用 LLM 替代了手写 SQL。不过要特别提醒：生产环境中绝对不能让 LLM 生成的 SQL 直接执行，必须配备只读权限控制、SQL 语法审计、沙盒隔离等安全措施，防止 SQL 注入。

Text-to-SQL RAG 的伪代码：

# 1. 准备表结构（schema）作为提示，让 LLM 知道有哪些表、字段
schema = "表 sales: product(产品名), amount(金额), month(月份), region(地区)"

# 2. 让 LLM 将自然语言问题翻译为 SQL
sql = LLM.generate("根据以下表结构，将问题转为 SQL：\n" + schema + "\n问题：" + query)

# 3. 在数据库中执行 SQL，拿到结构化结果
result = database.execute(sql)

# 4. 将查询结果喂给 LLM，让其用自然语言组织成最终回答
answer = LLM.generate("查询结果：" + result + "\n请用自然语言回答：" + query)

到这里已经讲了很多种 RAG 方法。有的小伙伴可能已经注意到：前面大多数方法都是预定义好的 pipeline，流程是死的，不管什么问题进来，处理方式都差不多。但现实世界的问题千变万化——有的需要搜向量库，有的该查数据库，有的应该搜 Web，甚至有的根本不需要检索。有没有一种方法能让系统自己判断该怎么做？

答案就是 Agentic RAG。

智能体驱动 RAG

Agentic RAG

前面每种方法都有自己擅长的场景：Hybrid Search 擅长术语密集的文档，GraphRAG 擅长多跳推理，Text-to-SQL 擅长结构化数据。但在一个真实系统中，这些场景可能同时存在。比如用户问“张三上个月的考勤记录”得查数据库，问“公司的远程办公政策”得搜文档，问“张三属于哪个部门的哪个中心”得走知识图谱。为每种问题硬编码一条 pipeline 太麻烦了。

Agentic RAG 的做法是让一个 AI Agent 来自动调度，根据问题自主决定每一步该怎么做。给这个 Agent 配备一组检索工具，它会先搜搜看→看看结果够不够→不够就换个方式/换个关键词再搜→结果够了就生成回答。

Agentic RAG 虽然灵活，但代码实现的核心是 Agent Loop 循环：

# 1. 给 Agent 配一组工具（向量检索、Web 搜索、SQL 查询、图谱遍历……）
tools = {
    "vector_search": query -> vector_store.search(embed(query)),
    "web_search":    query -> search_engine.search(query),
    "sql_query":     query -> database.execute(LLM.to_sql(query)),
    "graph_traverse": query -> knowledge_graph.traverse(query),
}

# 2. 进入 ReAct 循环：思考 → 行动 → 观察，直到信息足够为止
context = []
while true:
    # 让 LLM 基于已知信息，决定下一步用哪个工具，或者直接回答
    thought = LLM.reason("问题：" + query + "\n已知信息：" + context + "\n我应该使用哪个工具？还是信息已经足够可以回答了？")
    
    # 如果决定作答，跳出循环
    if thought.action == "answer":
        return LLM.generate(context + query)
    
    # 否则调用对应工具，把结果追加到上下文，进入下一轮
    result = tools[thought.tool](thought.tool_input)
    context.append(result)

以前 Agent 概念刚火起来的时候，大家还在争论“Agent 自主决策靠不靠谱”。到了今天，Agentic RAG 已经是比较主流的生产范式了，知名的 AI 编程工具 Cursor 用的就是这种方式——AI 自主决定使用什么方式来搜集信息。

Multi-Agent RAG

单个 Agent 处理复杂任务时，可能有个问题：当它要同时兼顾理解意图、选择策略、验证质量、生成答案时，Prompt 变得又长又复杂，决策质量就会下降。这就像一个人又当程序员、又教人打篮球、又当说唱歌手，忙不过来。

Multi-Agent RAG 的做法是拆分为多个专职 Agent，各自负责一些任务。例如 Router Agent 负责分发、各 RAG Agent 负责对应领域的检索和推理、Verification Agent 负责质检、Generation Agent 负责润色输出。

这种方案适合数据源多、权限复杂、语言多样的企业级知识库。每个环节可以独立优化和扩展，不会牵一发而动全身。

Multi-Agent RAG 的代码示例：

# 1. Router Agent 先识别问题意图，决定分给哪个专职 Agent
intent = router_agent.analyze(query)

# 2. 各领域 Agent 各管一摊，独立完成检索和推理
if intent == "document_qa":
    raw_answer = doc_agent.run(query)
else if intent == "data_analysis":
    raw_answer = sql_agent.run(query)
else:
    raw_answer = graph_agent.run(query)

# 3. Verifier Agent 做质检，发现问题则提出修改建议
verified = verifier_agent.check(query, raw_answer)
if not verified.passed:
    raw_answer = verifier_agent.suggest_fix(raw_answer)

# 4. Writer Agent 做最终润色，统一输出风格
final_answer = writer_agent.polish(query, raw_answer)

RAG 能力扩展

多模态 RAG（Multimodal RAG）

传统 RAG 只处理文本，但现实中的企业文档里充斥着大量图表、流程图、架构图、产品照片。如果用纯文本 RAG 处理一份真实文档，那些流程图、架构图里的信息就全丢了。

多模态 RAG 的做法是把图片、表格和文本统一到一个向量空间里，这样检索时就能跨模态匹配。最后一步生成阶段，需要用视觉语言模型来处理混合模态的上下文，因为普通的纯文本 LLM 看不懂图片。

多模态 RAG 的代码实现比较复杂：

// 离线：文本和图片统一编码到同一个向量空间
for each page in document:
    text_chunks = extract_text(page)
    images = extract_images(page)
    tables = extract_tables(page)
    for each chunk in text_chunks:
        index.insert(text_encoder.encode(chunk), chunk, type="text")
    for each image in images:
        index.insert(vision_encoder.encode(image), image, type="image")
    for each table in tables:
        index.insert(table_encoder.encode(table), table, type="table")

// 在线：统一检索，跨模态匹配
results = index.search(text_encoder.encode(query), k=5)
// results 中可能混合了文本块、图片、表格
answer = vision_LLM.generate(results + query)
// 用视觉语言模型处理混合内容

Speculative RAG

普通 RAG 还有一个问题：如果把检索到的所有文档都塞进同一个 Prompt，不仅增加了推理延迟，而且如果某个文档是噪声，整个生成都会被带偏。

Speculative RAG（假设性检索增强生成）借鉴了推测性解码（Speculative Decoding）的思想，核心目标是降低延迟——把检索到的文档分成多个子集，用多个专家小模型从每个子集并行生成候选草稿，最后由一个更强的大模型做一次验证，选出最佳答案。

这就有点像团队共同做个大项目：多位前端和后端开发一起干活和仔细验证，最后产品经理只需要简单验证就好，能大幅缩短工作总时长，有问题也更容易发现。

Speculative RAG 的实现代码：

# 1. 检索阶段召回较多的候选文档
docs = retriever.search(query, k=15)

# 2. 将候选文档拆成 n 个子集，准备并行处理
subsets = split_into_subsets(docs, n=5)

# 3. 多个小模型并行生成候选草稿，每个草稿只看一部分文档
drafts = parallel_run(for each subset in subsets:
    draft = small_LM.generate(subset + query)
    return { draft, subset, confidence })

# 4. 大模型做一次验证，从多个草稿中选出最佳答案
best = large_LM.verify_and_select(drafts, query)
return best.answer

方法选择

看到这里，你可能已经被这十几种 RAG 方案搞晕了。到底该用哪一种？

下面这张表格可以直接根据项目情况来选：

对于正在动手搭建 RAG 系统的初学者来说，建议从简单开始，逐步完善。先跑通 Naive RAG，发现哪个环节出了问题，就针对性地选用前面的 RAG 方案。千万别一上来就搞 Multi-Agent + GraphRAG + 多模态全家桶，不仅实现成本高，效果也不一定更好。

那么怎么知道 RAG 系统效果好不好呢？这里有一个评估框架 RAGAS，包含四个核心指标：

• 忠实度：回答有没有瞎编
• 答案相关性：答的是不是你问的
• 上下文精确率：搜到的有多少是有用的
• 上下文召回率：该搜到的搜到了吗

这样就能先评估效果再优化，而不是凭感觉调参数。

除此之外，RAG 相关的主流技术还有编排框架 LangChain/LangGraph、LlamaIndex，一体化平台 Dify、RAGFlow，向量数据库 Chroma、Milvus、Qdrant 等。感兴趣的话可以自行学习了解。

OK，这篇文章写了将近 1 万字，把 16 种 RAG 的实现和优化方案都讲完了，希望对大家有所帮助。