Naive RAG (朴素 RAG)
定义
核心思想
将文档分块、向量化并存入向量数据库 用户查询也向量化，并在数据库中检索最相似的文档块 最后，将查询和检索到的文档块一起输入 LLM 生成答案
优缺点分析
Advanced RAG (高级 RAG)
定义
核心思想
化索引（如滑动窗口、细粒度分割、元数据利用） 优化查询（如查询重写、扩展、转换） 优化检索结果（如重排序、过滤、压缩）
优缺点分析
Modular RAG (模块化 RAG)
定义
核心思想
模块化设计，每个模块可独立实现和替换 支持迭代、自适应、递归等多种检索模式 通过组合不同模块来适应不同任务需求
优缺点分析
GraphRAG (图 RAG)
定义
核心思想
建基于图的文档索引 利用图数据库和查询语言进行检索 将检索到的图信息与文本信息结合，输入 LLM 生成答案
优缺点分析
Agentic RAG (智能体 RAG)
定义
核心思想
使用 AI 代理管理 RAG 流程 利用代理设计模式（反射、规划、工具使用、多代理协作） 代理可动态协调 RAG 组件，进行推理，并根据上下文采取行动