RAG技术近年来可谓发展迅猛，备受瞩目。其核心思路其实相当直观——在人工智能生成的过程中，引入外部知识检索机制，使模型不再仅仅依赖“记忆”输出，而是能够查阅资料、浏览文档，甚至结合图片与知识图谱来回答问题。从最基础的文档查询起步，到如今的多模态与Multi-Agent协同架构，RAG技术的演进脉络值得深入梳理。

具体而言，一套完善的RAG系统通常包含以下几个核心组件：

• 嵌入模型：负责将文本转换为向量表示，便于后续的高效检索。
• 生成模型：即我们熟悉的LLM，负责最终内容的生成与输出。
• 重排序模型：对初步检索结果进行二次筛选，将最相关的内容排列在前。
• 向量数据库：用于存储和检索这些经过向量化的内容。
• 提示模板：将查询处理为模型能够理解的规范格式。
• AI Agent：负责智能决策与任务协调，堪称整个系统的“大脑”。

图例 1

Naive RAG：最经典的起点

首先来介绍最基础的版本——Naive RAG。它可能是目前最为简洁的实现方式，只需将检索模块与生成模块简单拼接，即可处理问答或内容生成任务。

其架构主要分为三个部分：

• 检索模块：从知识库中查找与输入查询相关的上下文。通常基于向量检索实现，例如利用Sentence Transformers或OpenAI Embeddings，将查询和文档映射到相同的向量空间，通过计算相似度，筛选出最相关的几个段落。
• 生成模块：接收用户输入以及检索到的上下文内容，然后由大模型（如GPT、T5等）生成最终答案。
• 流程：用户输入查询 → 检索模块找出相关文档 → 检索结果连同查询一并传给生成模块 → 生成模块输出回答。

该架构的优势十分明显：简单高效、模块化设计易于调试。然而，它存在一个固有缺陷——其假设检索到的上下文是完整且充足的。如果知识库更新不及时，或者检索效果本身不佳，生成结果便可能出现偏差。

不过，Naive RAG依然是许多实际场景的实用起点，例如文档问答、内容生成，以及从FAQ库中检索答案并生成响应等。尽管简单，但它足够实用。

Retrieve-and-Rerank：为检索结果进行二次精排

如果觉得Naive RAG的检索质量不尽如人意，该如何改进？一个很自然的思路便是引入重排序步骤。

Retrieve-and-Rerank就是在基础RAG的检索阶段之后，增加一个专门的重排序模块。其流程如下：

1. 初步检索：首先通过向量检索快速找到一批初步相关的文档，例如前50个。
2. 重排序：将这50个候选文档交给重排序模型（可以是BM25、TF-IDF等传统方法，也可以是基于BERT的Cross-Encoder），输出一个按相关性排序的高质量列表。
3. 生成：仅取排序后的前N个文档作为上下文，交由生成模块处理。

这样一来，生成模块接收到的上下文质量显著提升，最终的回答也更加可靠。特别是在长尾查询或复杂问题场景下，这个重排序步骤能够有效纠正初步检索引入的噪声。

在实际应用中，问答系统、推荐系统、技术支持等领域都能看到它的身影。技术栈方面，检索模块可采用FAISS、ElasticSearch，重排序模块则可用BERT、MiniLM、ColBERT，生成模块则是GPT、T5、LLaMA等。

Multimodal RAG：不止文本，还能看图说话

再往后，RAG进化到了多模态版本。顾名思义，它处理的输入不再局限于文本，还可以是图像、视频或音频。

Multimodal RAG在架构上仍由检索和生成两部分组成，但增强了对多模态数据的支持：

• 多模态检索模块：能够处理和索引不同模态的数据。例如，利用CLIP、DINO等模型将图像也转换为嵌入向量，统一存入向量数据库。检索时，无论是文本查图，还是图查图，都能在同一个向量空间中进行匹配。
• 多模态生成模块：接受多模态上下文，如文本加图像的组合，然后使用Flamingo、BLIP-2等模型生成回答。
• 流程：用户输入（文本或图像）→ 多模态检索模块找到相关多模态上下文 → 交给生成模块输出。

关键在于模态对齐与模态融合技术。对齐是指将图像特征和文本特征映射到同一向量空间；融合则是将检索到的不同模态信息有效整合，为生成模块提供统一的输入。

典型应用场景包括：多模态问答（例如“这张X光片有什么异常？”）、图像描述生成、跨模态搜索（文本搜图或图搜文本）、医疗诊断，以及从视频或音频中提取关键信息并生成摘要。

Graph RAG：利用图结构理解知识间的关系

如果说Multimodal RAG解决的是“数据模态多样”的问题，那么Graph RAG解决的则是“知识点之间关系复杂”的难题。

它引入图数据库（如Neo4j、TigerGraph），将文档、实体及其之间的关系建模为图结构。节点代表实体（如人名、地名、文档），边代表关系（例如“引用”“从属”“因果”）。

工作流程非常直观：首先对知识库进行知识建模，比如从“爱因斯坦提出了相对论”这句话中提取出节点“爱因斯坦”和“相对论”，以及边“提出”。用户提问时，系统将查询转换为图查询，检索与问题相关的子图，再将子图信息转化为文本上下文，交给生成模型。

Graph RAG的价值在于，它能够捕捉文档或知识点之间的复杂关系，如层次关系和因果关系，而不仅仅依赖向量相似性。它还支持多跳检索——从一个节点出发，沿着关系链找到间接相关的节点。这使得它在复杂问答、知识管理、内容推荐、因果推理等场景中表现出色。

Hybrid RAG：兼收并蓄的整合方案

Hybrid RAG则更进一步，它将图结构与传统检索方法相结合。可以理解为“全都要”——既利用向量检索的快速性，又借助图结构的关系推理能力，同时保留重排序模块对结果进行精排。实际上，许多工业级的RAG系统最终都会走向这种混合架构，因为单一方法总有其盲区。

图例：

Agentic RAG Router：让AI Agent充当“智能调度员”

随着场景日益复杂，单一的RAG流程显然不够用了。此时，Agentic RAG Router应运而生。

其核心思路是引入一个AI Agent作为路由器，分析用户查询的意图，然后动态选择最合适的处理路径。例如，用户提问文本问题，路由器便调用文本检索模块；如果用户上传了一张图片，路由器则调度图像检索模块；若需要复杂推理，就调用图数据库。

整个系统由四个模块组成：

1. AI Router：利用LLM理解用户意图，决定走哪条路径。
2. 多检索模块：包括文本、图像、图数据库等不同的检索源。
3. 多生成模块：针对不同任务优化的生成模型。
4. 执行路径：可以是直接回答、检索后回答，或者调用外部工具。

这种架构的优势在于灵活性——Router能够根据任务动态调整，避免了固定流程的僵化。而且，它只在需要时才调用复杂模块，从而优化了资源利用。企业知识管理、医疗辅助、教育内容生成等场景，非常适合采用这种方案。

Agentic RAG Multi-Agent：多个专家协同作战

最后，也是当前RAG领域最前沿的形态——Agentic RAG Multi-Agent。它引入了多个专门的AI Agent，每个Agent负责不同的任务或工具调用。你可以想象成一个项目组：有负责查询向量数据库的，有负责网页搜索的，还有处理Slack、Gmail的，各司其职，由主控Agent统一调度。

其组件包括：

1. Central Orchestrator：中央调度器，负责解析意图、分配任务、整合输出。
2. 专用AI Agent：向量搜索Agent、网页搜索Agent、通信工具Agent、数据处理Agent等。
3. 工具与数据接口：每个Agent能够调用专用API，例如FAISS、Google API、Slack API。
4. 输出整合模块：主控Agent将各Agent的结果整合为最终输出。

举个例子，用户说：“帮我从数据库和互联网找出过去一周的行业趋势，并用摘要发邮件给团队。”系统会这样执行：

1. 主控Agent分解任务：检索数据库、搜索互联网、生成摘要、发送邮件。
2. 各Agent并行执行：向量搜索Agent查内部报告，网页搜索Agent爬新闻，文本生成Agent整合摘要，Gmail Agent发邮件。
3. 主控Agent整合结果，任务完成。

这种架构的亮点在于模块化、并行处理以及广泛的工具支持。它特别适合跨模态、跨工具的复杂任务，例如企业知识管理、内容创作与分发、实时数据分析、智能客服等。