author: jiman2 source: 小红书 url: https://www.xiaohongshu.com/discovery/item/684beb05000000000c03acf4?app_platform=ios&app_version=9.25&share_from_user_hidden=true&xsec_source=app_share&type=normal&xsec_token=CB8oyvoEoKm89TgIcVJiHh4NqW6bVRraqf4A-dmaEi4ms=&author_share=1&xhsshare=WeixinSession&shareRedId=ODY7Nzs8ND02NzUyOTgwNjY0OTc5Sz85&apptime=1781162631&share_id=9bb44ffb140a4a6fba092ce8500e7497 saved: 2026-06-11 15:25:04 tags: - 笔记同步助手
id: d2d63b28-ce18-49e1-8249-2a7c41d6d738
作者: jiman2
发布/编辑时间: 2026年02月24日 08:32
RAG（检索增强生成）技术经历了从基础静态框架到动态智能系统的显著演进，各阶段针对性地解决了前代的局限性，形成清晰的发展路径：
🔍 1. Naive RAG
基础框架：包含索引、检索、生成三步骤，直接通过向量相似度匹配查询与文档块。
核心问题：检索僵化（单次检索定结果）、上下文整合不足（易丢失中间信息）、生成幻觉风险高。
🚀 2. Advanced RAG
优化方向：
检索前：查询改写/扩展、细粒度分块（语义分块）、元数据增强。
检索后：重排序（如Cohere模型）、上下文压缩，提升信息相关性。
解决痛点：改善检索精度与噪声过滤，但仍依赖固定流水线。
🧩 3. Modular RAG
模块化设计：将流程拆分为独立可替换模块（路由、记忆、多源检索等），支持动态组合。
关键技术：多级索引（文档摘要+块索引）、混合检索策略（关键词+向量+图），增强灵活性与领域适应性。
⚙️ 4. Graph RAG
知识图谱集成：利用图结构捕捉实体关系，解决文本分块的语义割裂问题。
应用场景：如金融风控中分析企业关联网络，提升复杂查询的推理深度。
🌐 5. Agentic RAG
智能体范式：引入自主规划、动态工具调用（检索/计算/API）、多轮反思优化（如Self-RAG）。
突破性能力：
任务分解：复杂问题拆解为子查询迭代检索。
自我验证：批判性标记评估结果可信度。
#ai #大模型 #RAG #智能体 #算法 #人工智能 #大模型应用 #深度学习 #LLM #AI产品经理
评论
- A: [棒R]有没有论文可以再去了解一下的呢
内容效果不满意？点此反馈
积分余额不足，小红书图片文字识别（OCR）已跳过
⚠️ 充值仅限在 手机 中打开，电脑端无法支付
请用手机微信扫码完成充值