说到检索增强生成（RAG），一个绕不开的话题就是它的不同范式和支撑框架。自ChatGPT引爆这一领域以来，RAG的概念迅速“破圈”——尽管早在2020年Lewis等人的论文就已经为它奠定了理论基础。不过，理论归理论，真正要把RAG用起来、用好，还是得掰开揉碎看看它到底有哪些形态。

1. RAG的范式

Naive-RAG 是最基础的形态，核心逻辑很简单：把外部知识源喂给大模型，作为额外上下文来增强生成结果，同时减少幻觉。整个过程分为“摄取”和“推理”两个阶段——先准备好外部知识，再在回答用户问题时，把检索到的内容拼接进提示词里，让大模型据此作答。思路直白，但效果往往受限于检索质量和上下文长度。

Advanced RAG（高级RAG）

Naive版的局限很快暴露出来，于是Advanced RAG应运而生。它在预摄取、摄取和后摄取三个阶段分别引入了优化技术：比如在索引前对文档进行清洗、分块优化；在检索时引入混合检索或重排序；在生成前对检索结果进行后处理。整套操作下来，管道的性能明显提升，也更接近生产环境的需求。

Modular RAG（模块化RAG）

一些综述论文中还提到了模块化RAG的概念，但并没有展开细说。简单理解，它更像是把RAG拆解成可替换、可组合的独立模块，为不同场景做灵活定制——不过目前这方面的实践还在探索中。

Orchestration Frameworks（编排框架）

ChatGPT发布后，各种帮助开发者构建LLM应用的框架如雨后春笋般涌现。目前最受欢迎的几款包括：

• LangChain

• LlamaIndex

• DSPy

这些框架各有所长：LangChain以链式组合和集成见长，LlamaIndex在数据索引和检索上做得更细致，DSPy则试图用编程方式替代提示词工程。选哪个，更多取决于具体的应用场景和团队的偏好。

RAG Evaluation（RAG评估）

要真正把RAG部署到生产环境，评估是绕不开的环节。但说实话，评估RAG至今都不算一件轻松的事。虽然方法在快速演进，可整体来看这仍然是个复杂领域——如何衡量检索质量？如何判断生成内容是否忠实于上下文？这些问题都没有标准答案。

总结

检索增强生成是一个融合了自然语言生成与知识检索的激动人心领域。理解不同范式与框架，能帮助我们更清楚地知道：什么样的场景该用什么方案，以及怎样评估和改进。这条路还在快速拓展，值得持续关注。