RAG的9种架构，你用的是哪一种？

最近总有人问我RAG 到底怎么做。我说你具体想做什么。十有八九对方描述的是同一个东西把文档切块、做向量化、存进向量数据库用户提问的时候检索出最相关的几段拼进 prompt 丢给大模型。我说这叫 Naive RAG是最基础的那种。然后对方通常会愣一下啊RAG 还分种类分。而且光是主流的架构就至少有 9 种。每一种背后都是在解决上一种解决不了的问题。所以今天我想把这 9 种架构一次讲清楚。不讲论文里的公式和术语就讲它们各自在干什么、解决了什么问题、什么时候该用。你只要看完这一篇以后再有人跟你聊 RAG你能清楚地知道他在说哪一层。一、Naive RAG朴素 RAG所有故事都从这里开始。Naive RAG 的流程就是教科书里写的那一套文档分块 → 向量化 → 相似度检索 → 拼 prompt → 生成回答。简单粗暴跑得起来。但问题一堆。最致命的是检索这一步是“瞎”的。用户问“去年的销售额对比前年怎么样”它可能检索回来一堆包含“销售额”的片段但没有按时间排序也没有跨片段做对比的能力。大模型拿到这些零散的片段硬着头皮生成结果就是一本正经地胡说八道。所以后来的人都是在给它打补丁。二、Advanced RAG高级 RAG打补丁的第一步是把检索这个环节拆开前后都加东西。检索前先对用户的问题做改写、扩展、分解。比如把“那个事”改写成具体指代把“对比 A 和 B”拆成两个子查询。检索中不光用向量检索还加上关键词检索BM25两个一起用互补。检索后把检索回来的东西重新排序。因为向量检索的“相似”经常不等于“有用”用一个专门的 rerank 模型再筛一遍。Advanced RAG 就是这一整套优化手段的合集。它没有改变 Naive RAG 的骨架只是把每个关节都磨亮了。对于大多数场景做到这一步效果就已经不错了。Naive RAG vs Advanced RAG 流程对比三、Modular RAG模块化 RAG到了这一步有人发现一个问题不同的场景需要的组件完全不一样。问答类的场景需要强检索摘要类的场景检索不重要多轮对话需要记忆模块有些场景还需要路由先判断问题类型再决定走哪条路。于是 RAG 被拆成了乐高。检索、路由、记忆、融合、合成……每一个环节都是独立的模块可以插拔、可以替换、可以重新组合。换句话说Modular RAG 更多是一种工程哲学。它告诉你把 RAG 看作一条流水线每个工序都可以按需定制。后面所有的架构其实都可以看作是 Modular RAG 的某种特例。到这里为止前三种解决的都是“怎么检索得更准”。但有人发现了一个更尴尬的问题检索回来的东西模型根本不知道该不该信。这就引出了下一波。四、Self-RAG自反思 RAG核心思想一句话让大模型自己判断。不是所有问题都需要检索。你问“11 等于几”模型本来就会硬塞一堆检索结果进去反而干扰。也不是所有检索结果都靠谱模型得能判断这段内容到底相不相关。Self-RAG 训练模型生成一种叫“反思 token”的东西在关键节点上自己做决策这个问题要不要检索检索回来的东西有没有用最后生成的回答有没有依据简单说它给模型装了一个“自检开关”。好处是可控性大幅提升模型不再无脑地用检索结果。代价是得专门训练成本不低。五、Corrective RAG / CRAG纠正性 RAG思路类似但走的是另一条路。CRAG 加了一个“检索评估器”。检索回来的文档先打分。分高的是“正确”知识精炼后使用分低的是“噪声”直接扔掉如果全都不行就触发 web 搜索重新找。它的逻辑是与其让模型硬吞一堆不靠谱的内容不如先过滤一遍。Self-RAG 是模型自己反思CRAG 是外部加个质检员。目的都是一样的——别让烂检索毁了最终回答。六、Adaptive RAG自适应 RAG又往前走一步。前面所有的架构不管问题简单还是复杂走的都是同一条流水线。问题是有代价的简单问题也走完整流程又慢又费钱复杂问题走单步检索又不够。Adaptive RAG 会先给查询分类。简单的事实性问题直接让模型答中等复杂度的单步检索需要多跳推理的复杂问题走多步检索甚至迭代检索。它像一个智能的分诊台根据病情轻重把患者送到不同的诊室。Self-RAG / CRAG / Adaptive RAG 决策流程到这里前 6 种 RAG 处理的还都是“文本对文本”的世界。但知识从来不只是文本。这就有了后面三种。七、GraphRAG图 RAG传统的 RAG 有一个死穴它回答不了“全局性”的问题。你问“这本书的核心观点是什么”向量检索会找回几个看起来相关的片段但它拼不出全貌。因为向量检索本质上是局部匹配它看不到文档和文档之间的结构关系。GraphRAG 把这件事彻底换了思路。它先从文档里抽取实体和关系构建成一张知识图谱然后在这张图上做社区发现给每个社区生成摘要。回答问题的时候它沿着图的脉络去走能看到全局的结构。代价是构建图谱又慢又贵。但遇到那种需要“纵观全局”的问题它是目前最靠谱的解法之一。八、Agentic RAG智能体 RAG这是目前最火的方向。前面的 RAG无论怎么优化本质都是“一次性的流水线”检索一次生成一次结束。但真实世界里很多问题不是一次检索就能解决的。比如“帮我分析一下这家公司今年的财务状况并对比它的三个主要竞争对手”这种问题需要规划、需要多轮检索、需要调用不同的工具查财报、查新闻、算指标、需要中间推理。Agentic RAG 把 RAG 变成了 Agent 的一个工具。大模型作为大脑自主决定现在该不该检索检索什么用哪个数据源检索结果够不够不够就再来一轮。这一次流水线变成了一个会思考、会行动的助手。能力最强复杂度也最高。光是延迟和成本这两件事就够工程团队头疼一阵了稳定性更是新的考验。九、Multi-modal RAG多模态 RAG最后一种把 RAG 从纯文本拓展到了所有模态。文档里有图表、有图片、有 PDF 里的表格、有视频里的画面这些都能被检索、被理解、被生成。实现路径有很多种可以用多模态 embedding 统一检索可以把图片转成文字描述再走文本 RAG也可以直接用多模态大模型端到端处理。它解决的是“真实世界的信息本来就是多模态的”这件事。GraphRAG / Agentic RAG / 多模态 RAG 能力象限九种讲完了。最后我给你一个总结性的判断免得你看完还是懵的。如果你刚开始做 RAG先从 Naive RAG 起步能跑就行。跑起来之后效果不好就上 Advanced RAG 的那套优化查询改写、混合检索、rerank这是性价比最高的一步。如果你的场景需要灵活组合不同能力用 Modular RAG 的思路来组织系统。如果你发现检索结果经常不靠谱、模型乱用考虑 Self-RAG 或 CRAG 的思路加一道“质量检查”。如果你的问题复杂度差异很大Adaptive RAG 帮你做分流。如果你要回答全局性、结构性的问题上 GraphRAG。如果你的任务需要多步规划、多轮检索Agentic RAG 是目前的天花板。如果你的数据不止是文字Multi-modal RAG。就这么简单。不要一上来就 Agentic RAG、GraphRAG那是杀鸡用牛刀又贵又慢还不一定稳。也不要永远停留在 Naive RAG然后抱怨“RAG 效果真差”。RAG 不是一个东西它是一整个方案的家族。你选哪一种取决于你要解决什么问题。至于哪个最新、哪个最酷那是另一回事。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】