RAG技术如何从基础版进化到高级版？一文带你了解RAG技术的全貌与优化路径。

核心内容：
1. RAG技术的基础原理与三大核心步骤
2. 基础RAG的四大缺陷与优化方向
3. T-RAG等进阶方案的技术创新点

从 RAG 到 Advanced RAG

这篇文章系统性梳理了RAG技术的发展脉络，沿着从基础版到高级版的演进路径，提炼出关键思路与优化方向。希望为有类似背景的学习者提供一份实用参考。下文采用问答式结构展开，便于理解各项技术的来龙去脉。

Part1：RAG 与 微调？

先看大模型落地时的常见问题：面对效果瓶颈，通常有两种解决思路——RAG 和微调。两者有何区别？简单来说，RAG 好比对照书本找答案，微调则是针对答案去学习。

Part2：RAG是什么？

RAG 的诞生旨在弥补大模型的先天缺陷。基础 RAG 的核心流程可概括为三个阶段：

• 检索（Retrieval）：从外部知识库中检索与用户查询相关的信息。
• 增强（Augmentation）：将检索到的信息与模型内部知识结合，构建上下文。
• 生成（Generation）：基于增强后的上下文，生成最终回答。

Part3：基于文档检索的 RAG 有什么缺点？

但基础 RAG 技术并非完美，从步骤拆解就能发现问题：

1. 难以容纳多模态数据。
2. 检索到的上下文可能不够精准，导致回答准确度下降。
3. 对于复杂的跨文档推理任务，传统方法力不从心。
4. 需维护庞大知识库，存储和计算成本较高。

那么如何优化 RAG？针对这些缺陷，业界开始探索 RAG 与其他技术的融合方式，衍生出多种进阶方案。以下几篇论文中的思路颇具代表性。

Part4：T-RAG 是什么？

T-RAG 全称是 Tree-RAG，它将检索增强生成与微调后的开源大语言模型相结合。最大特点：在检索过程中，利用实体树来增强从向量数据库检索到的上下文。相比基础 RAG，它引入树形结构，借助内部实体树丰富上下文信息，适用于更复杂的场景。

原理概括如下：

1. 实体检测：扫描用户查询，识别出与组织内实体名称对应的关键字。
2. 实体信息提取：从实体树中提取匹配实体的详细信息。
3. 上下文构建：将实体信息与向量数据库检索到的文档块合并，构建更全面的上下文。
4. 生成回答：基于增强后的上下文生成最终回答。

用论文里的等式总结就是：T-RAG = RAG + 微调 + 实体检测

Part5：GraphRAG 是什么？

如果说 T-RAG 是实体树增强，那 GraphRAG 就是通过整合知识图谱来增强 RAG。知识图谱是一种基于关系存储和链接数据的结构，可理解为知识的动态网络。

原理概括：

1. 索引过程：从文档中提取实体和关系，构建知识图谱。
2. 查询过程：检索时利用知识图谱中的关系信息，跨文档传播信息，生成更准确的回答。

Part6：HippoRAG 是什么？

另一个基于图的代表是 HippoRAG，它受大脑海马体启发，旨在帮助大语言模型跨段落整合新知识。本质上是一种神经生物学启发的大语言模型长期记忆框架，组件模拟人类记忆的不同侧面：人工新皮层（LLM）、旁海马区域（PHR 编码器）以及人工海马（开放知识图谱，Open KG）。

检索原理分为两条路径：

• 离线索引：LLM 将文段处理为知识图谱三元组，整合到人工海马索引；同时 PHR 检测同义关系实现信息互联。
• 在线检索：LLM 从查询中抽取命名实体，PHR 编码器将这些实体链接到海马索引，然后对知识图谱应用个性化 PageRank（PPR）算法进行基于语境的检索。

简单示例：
查询：寻找一位从事阿尔茨海默症研究的斯坦福教授。

• 传统 RAG：需段落同时提到“斯坦福教授”和“阿尔茨海默症”才能识别。
• HippoRAG：通过关联图将两者关联，从而直接识别出托马斯教授。

Part7：GraphRAG 类的缺点？

尽管 GraphRAG 和 HippoRAG 带来了突破，但也存在明显短板：

1. 依赖开放信息抽取方法，引入大量数据噪声，知识精准度不足。
2. 图结构实现跨文档传播，缓解了向量召回不足，但多跳、复杂逻辑的推理依然有限。
3. 检索到错误信息后仍可能产生幻觉。
4. 运行速度很慢，因为需多次调用 LLM API，可能触发速率限制。
5. 成本极高。
6. 以实体为中心的方法在索引和推理过程中导致语境信息丢失，语义匹配困难。

Part8：KAG是什么？

KAG（Knowledge-Augmented Generation，知识增强生成）是一种结合知识图谱和生成模型的技术，通过引入结构化知识提升生成内容的准确性和相关性。

KAG 的核心功能：

1. 知识与 Chunk 互索引结构，整合更丰富的上下文文本信息。
2. 利用概念语义推理进行知识对齐，缓解 OpenIE 引入的噪音。
3. 支持 Schema-Constraint 知识构建，兼容领域专家知识。
4. 逻辑符号引导的混合推理与检索，实现逻辑推理和多跳推理问答。

从官方简图看，它像是 KBQA 与 HippoRAG 结合的产物。先了解一下 KBQA。

Part9：KBQA 是什么？

知识图谱问答（Knowledge-based Question Answering, KBQA）是指给定自然语言问题，通过对问题进行语义理解和解析，利用知识库进行查询、推理得出答案。

传统搜索引擎返回的是网页集合，仍需用户自行阅读分析；而基于知识图谱的问答系统能直接返回精确答案，满足精确信息需求。

KBQA 的缺点：

1. 依赖高质量知识图谱，构建门槛高，需大量人力。
2. 信息损失大——知识图谱只包含实体、关系、属性等，相对原始文本信息损失严重。
3. 可阅读性差，生成的答案包含关键事实但缺少上下文。

Part10：KAG 是怎么解决这些问题的？

KAG 的核心思路是在 KBQA + HippoRAG 的基础上，重点强化推理能力，因此特别适合垂直问答领域。其特点：

1. 兼容强 Schema 专业知识和弱 Schema 开放信息。
2. 图结构知识与文本知识的互索引结构。
3. 专业领域可平滑调节的专业决策与信息检索，丰富知识完备性。
4. 通过开放信息+结构化构建做知识语义对齐，平衡信息抽取（低门槛）与专业构建，缓解开放信息抽取引入的噪声。

Part11：HippoRAG2 是什么？

技术迭代很快，HippoRAG 最近已更新到 2.0 版本，表现非常优异。相较于 HippoRAG 1，它沿用离线索引与在线检索两阶段流程，但引入了几个关键改进：

1. 无缝整合开放知识图谱中的概念信息与语境信息，提升索引的完整性和粒度。
2. 利用知识图谱结构中超出单一节点的信息，促进更具语境敏感性的检索。
3. 引入识别记忆机制，改善图搜索中种子节点的选择。

从基础 RAG 到 T-RAG、GraphRAG、HippoRAG，再到 KAG 和 HippoRAG2，这条演进路径清晰地展示了 RAG 技术如何一步步“升级打怪”——每一次改进都在试图解决前一个版本的痛点。理解这些脉络，对于在实际场景中选择合适的技术方案非常有帮助。