企业官网建设流程全解析

1，Naive RAG（朴素RAG）

Naive RAG属于RAG系统的最基本框架，框架只有单一的向量检索，直接把检索出来的相关文档喂给大模型增强生成

局限性：检索依赖文本词汇匹配，无法感知语义关联，并且无法间接匹配，对语义的理解能力不足

缺乏对query的预处理，回答内容可能会过于宽泛。整个RAG系统依赖单一的检索技术，优化只能局限于检索技术。

2，advanced RAG（高级RAG）

从检索前，检索时，检索后三个方面引入新的技术手段

检索前：

分别进行查询重写，查询扩展，查询路由

Query Rewriting查询重写：将用户原始查询改写为语义更加准确的格式

Query Expansion查询扩展：对用户查询添加上下文，扩大检索范围，使检索结果更准确。

查询路由：将用户查询分发到不同的，最适合的知识库中

检索时：

采用向量检索 + 关键词检索（其实就是检索前做的一系列操作）进行检索。

Hybrid混合检索(BM25稀疏 + 向量稠密检索 + RRF融合) ：也被叫做Hybrid RAG，但是不完全准确，Hybrid只是一种检索策略，不能和advanced RAG相并列

检索后：

Reranker重排序：对召回文档重排序，最相关结果靠前

总结：对召回文档进行摘要，提炼关键信息

融合：对信息进行融合，形成完整连贯的背景，利于模型理解

优点：

检索质量显著提升

缺点：

整个过程是写死的流水线，简单问题浪费算力，成本增加，整个RAG系统复杂度提升，无法动态选择路径。

3，Modules RAG（模块化RAG）

将整个RAG流水线插接成独立模块，检索，排序，生成模块解耦，可以更加灵活组合或者替换

优点：灵活，便于扩展和维护

缺点：设计复杂，模块间协作需要设计

外层全局调度

Routing（路由模块，也就是 Orchestrator 调度器）： 接收用户提问，分析 query 的难度、类型，决定接下来该调用哪些内部 RAG 子模块、走哪一条执行路径。
简单问题：直接走 Retrieve+Read；
复杂多跳问题：选 Rewrite→Retrieve→Rerank；
知识库没有答案：切到 Search 联网搜索。
Search（外部联网搜索）： 访问互联网搜索引擎，在线获取外部网页资料。当本地向量知识库检索不到内容的时候，由 Routing 调度切到 Search 做兜底。
Predict（生成预测）： 大模型最终生成答案输出；拿到检索到的上下文之后，交给大模型 Predict 输出最终回答。
Fusion（结果融合）：多路检索得到多份文档片段，做合并、去重、结果融合。可以把 BM25 关键词检索 + 向量检索的结果融合在一起。
Demonstrate（示例示范 / 少样例）： 给大模型提供样例提示；提供一些问答示范样例，引导模型的输出格式、回答思路。
Memory（记忆模块）：保存多轮对话历史、过往检索结果；实现会话记忆，记住用户之前问过的内容

内层 RAG 核心检索子模块

Retrieve（检索器）：从本地向量库 / 知识库拉取相关文档片段；可以是 BM25 关键词检索、向量 embedding 检索。就是传统 RAG 最核心的召回步骤。
Rewrite（查询改写）：Query 重写；对用户原始问题做改写、扩写、拆分。多跳问题可以把一个复杂问句拆成好几个子问题再分别检索。
Rerank（重排序 / 重排器）： 对 Retrieve 召回出来的一堆文档做排序，过滤掉相关性低chunk，保留最相关的片段；
Read（读取解析）： 读取拿到的文档 chunk，理解、提炼文档里面的信息；相当于模型阅读理解拿到检索回来的上下文内容

整个过程不再是固定流水线，根据query做不同响应，简单问题直接走向量检索，跳过重排，复杂多跳问题调度器自动做问题拆分，多次迭代检索。知识库查不到：自动调用联网搜索工具兜底

优点：动态路由，按需调用组件，适配不同复杂度的query查询

缺点：架构变复杂，增加调度大模型带来的额外延迟和成本

4，图RAG

结合知识图谱，通过实体关系结构化存储与多跳检索，补充向量检索遗漏的关联信息，适合复杂推

5，智能体RAG

1，引入 Agent 作为编排层，模型可自主判断信息充足度、动态调整检索策略、进行多轮反思

2，代价：延迟高、成本高、不确定性大，需设置迭代上限和降级策略

3，适用：复杂多跳推理、高价值任务、对延迟不敏感的场景

Agent RAG 对比 传统RAG

普通RAG流程写死，比如advanced RAG ，不管问题的难易程度，固定执行：QueryRewrite -> Hybrid检索 -> Reranker -> LLM生成；

Agent-RAG：有状态的循环工作流：

分析用户问题，判断当前上下文信息是否够用，不够用 -> 调用什么工具？-> 获取检索结果 -> 进行评估是否可以现在给出答案 -> 如果召回质量不够，就继续改写query再次检索，直到生成最终答案，或者达到最大迭代次数直接退出

self-RAG（Agent RAG经典范式）