常见的 17 种 RAG 方案解析

4. Contextual Chunking（上下文增强切块）

核心思路：为每个 chunk 补充上下文元信息，再进行检索。补充内容包括：chunk 所属文档标题、层级路径（如'手册>安装>步骤 2'）、作者/更新时间、核心关键词（自动提取）。 实现难度：⭐⭐（低） 优点：检索时可结合'内容+元信息'精准匹配（如优先返回最新更新的 chunk）；提升多文档场景下的检索准确性。 局限：需额外开发元信息提取逻辑；元信息过多会增加向量维度，影响检索速度。 典型应用场景：多版本文档共存的知识库（如产品迭代手册）、多来源文档检索（如企业内多个部门的文档）。

二、检索策略优化

该类方案聚焦于「如何更精准地找到匹配的 chunk」，在基础分块之上，通过优化检索逻辑提升召回率和精准度。

5. Hybrid RAG（混合检索）

核心思路：融合'关键词检索（BM25/ES）'与'向量检索（如 FAISS/PGVector）'的优势，先通过关键词检索快速缩小范围，再通过向量检索精准匹配语义；或对两种检索结果加权融合（如关键词得分占 30%，向量得分占 70%）。 实现难度：⭐⭐⭐（中） 优点：兼顾'关键词匹配的精准性'和'语义匹配的泛化性'，解决纯向量检索对关键词敏感、纯关键词检索对同义表述不友好的问题。 局限：需维护两套检索系统（关键词索引+向量索引），部署成本高于单一检索；权重配比需根据场景调优。 典型应用场景：通用型企业知识库、电商客服问答（既需匹配产品型号等关键词，也需理解用户模糊表述）。

6. Multi-Query RAG（多查询检索）

核心思路：将用户的单一问题转化为多个同义/相关查询语句，分别检索后合并结果。例如用户问'如何优化 RAG 检索速度？'，自动生成'RAG 检索速度慢的解决方法''提升 RAG 向量检索效率的策略'等多个查询词。 实现难度：⭐⭐⭐（中） 优点：覆盖用户问题的不同表述方式，减少'检索漏检'；无需修改底层检索逻辑，仅需增加'查询改写'模块（基于 LLM 实现）。 局限：多查询会增加检索耗时；查询改写的质量依赖 LLM 能力，易生成无效查询。 典型应用场景：用户问题表述不规范的场景（如客服对话、口语化问答）、专业领域问答（用户可能用非专业术语提问）。

7. Rerank RAG（重排序检索）

核心思路：检索阶段先召回 Top-N 个候选 chunk（N 通常为 20-50），再通过重排序模型（如 BGE-Reranker、Cross-BERT）对候选结果重新打分，最终选取 Top-K（K 通常为 3-5）个 chunk 送入 LLM 生成回答。 实现难度：⭐⭐⭐（中） 优点：大幅提升检索精准度，过滤掉'语义相似但无关'的 chunk；重排序模型轻量化，对性能影响小。 局限：需额外引入重排序模型，增加少量开发和部署成本；召回数量 N 需合理设置（过小易漏检，过大增加排序耗时）。 典型应用场景：大规模知识库（百万级以上 chunk）、对回答准确性要求高的场景（如金融咨询、医疗问答）。

8. Filtered RAG（过滤式检索）

核心思路：在检索前/后增加过滤规则，剔除无效 chunk。过滤维度包括：文档权限（仅返回用户有权限查看的内容）、时效性（过滤过期文档，如'2020 年前的产品价格'）、相关性阈值（剔除向量相似度低于阈值的 chunk）。 实现难度：⭐⭐（低） 优点：减少无效信息干扰，提升回答质量；适配有权限管控、时效性要求的场景。 局限：过滤规则需手动配置，对复杂场景（如动态时效性）适配性差；阈值设置不当易导致漏检。 典型应用场景：企业内部权限分级的知识库、金融/电商等时效性强的问答场景（如股票信息、商品价格）。

三、进阶增强方案

该类方案聚焦于「提升 RAG 系统的鲁棒性和复杂场景适配能力」，是中大型项目的主流选择。

9. Hierarchical RAG（分层检索）

核心思路：将文档构建为'层级结构'，按'粗检索→细检索'两步执行：

1. 粗检索：检索文档级/章节级的顶层节点（如'《产品手册》> 安装模块'），缩小检索范围；
2. 细检索：在选中的顶层节点下，检索具体的 chunk，精准匹配问题。 实现难度：⭐⭐⭐⭐（中高） 优点：大幅降低检索计算量（尤其百万级知识库）；适配多层级、结构化的文档（如图书、手册）。 局限：需提前构建文档层级结构，对无结构化文档适配性差；层级划分不当会影响检索效果。 典型应用场景：大型企业知识库（千万级 chunk）、图书/教材类问答系统、技术文档检索。

10. Fused RAG（融合检索）

核心思路：融合多来源、多类型的检索结果，包括：不同向量模型的检索结果（如中文用 BGE，英文用 E5）、不同切分策略的 chunk 结果、不同检索引擎的结果（如 FAISS+Milvus），通过加权融合生成最终候选集。 实现难度：⭐⭐⭐⭐（中高） 优点：降低单一检索策略的局限性，提升复杂场景的召回率；适配多语言、多类型文档的混合知识库。 局限：需维护多套检索流程，开发和运维成本高；融合权重需大量调试。 典型应用场景：跨国企业多语言知识库、多类型文档混合的场景（如文本+表格+图片 OCR 文本）。

11. Self-RAG（自优化检索）

核心思路：引入'自我评估'环节，让 LLM 参与检索全流程的决策：

1. 检索前：LLM 判断用户问题是否需要检索（如常识问题可直接回答，无需检索）；
2. 检索后：LLM 评估召回的 chunk 与问题的相关性，若相关性不足则触发二次检索；
3. 生成后：LLM 评估回答是否准确，若不准确则重新检索并生成。 实现难度：⭐⭐⭐⭐⭐（高） 优点：端到端自优化，适配复杂问题和动态知识库；减少人工干预，提升系统鲁棒性。 局限：多次调用 LLM，成本和耗时大幅增加；评估逻辑依赖 LLM 能力，易出现误判。 典型应用场景：高端智能客服、企业级智能助手、对回答质量要求极高的专业领域（如法律咨询）。

12. Knowledge-Enhanced RAG（知识图谱增强 RAG）

核心思路：将结构化知识图谱与非结构化文本检索结合：

1. 先通过知识图谱检索实体关系（如'北京→所属省份→中国''故宫→地理位置→北京'）；
2. 再通过文本检索补充实体的详细信息；
3. 融合图谱关系和文本信息生成回答。 实现难度：⭐⭐⭐⭐⭐（高） 优点：解决纯文本 RAG 难以处理的'实体关联'问题（如'故宫和颐和园的地理位置关系'）；提升回答的逻辑性和准确性。 局限：需构建和维护知识图谱，成本极高；图谱更新不及时会影响回答效果。 典型应用场景：知识密集型领域（如医疗、金融、文博）、需要实体关联分析的问答（如'某药物的适应症和副作用的关系'）。

四、前沿探索方案

该类方案是 RAG 领域的最新研究方向，尚未大规模落地，但具备重要的技术参考价值。

13. Adaptive RAG（自适应 RAG）

核心思路：根据用户问题的复杂度、知识库的状态动态调整 RAG 策略：

• 简单问题：使用 Simple RAG + 关键词检索，快速回答；
• 复杂问题：使用 Hierarchical RAG + Rerank + 多查询，精准回答；
• 知识库更新后：自动调整切分策略和检索权重，无需人工干预。 实现难度：⭐⭐⭐⭐⭐（极高） 优点：兼顾效率与精准度，适配不同复杂度的问题；自适应动态变化的知识库。 局限：策略决策模型需大量数据训练；系统架构复杂，运维成本高。 典型应用场景：通用型智能助手（如企业级 AI 问答机器人）、动态更新的知识库（如新闻资讯问答）。

14. Streaming RAG（流式 RAG）

核心思路：针对超长文档（如万字以上的报告、书籍），采用'流式切分+流式检索'：

1. 文档按流式方式逐步切分并入库，无需等待全文档处理完成；
2. 检索时按'问题相关度'流式返回 chunk，优先返回核心信息；
3. LLM 流式生成回答，边检索边生成，降低等待时间。 实现难度：⭐⭐⭐⭐⭐（极高） 优点：适配超长文档检索，大幅降低处理和检索耗时；提升用户体验（流式回答无需等待全结果）。 局限：需改造检索和生成的底层逻辑，适配流式处理；易出现'回答不完整'的问题。 典型应用场景：长篇报告问答（如财报、研报）、图书/论文问答系统。

15. Cross-Modal RAG（跨模态 RAG）

核心思路：突破纯文本限制，支持图片、表格、音频、视频等多模态内容的检索增强：

• 图片：通过 CLIP 模型生成图片向量，检索与问题匹配的图片，再结合 OCR 文本生成回答；
• 表格：通过表格结构化解析（如 pandas + TableQA）提取表格信息，与文本检索结果融合；
• 音频/视频：转文字后按文本 RAG 处理，同时保留音视频的时间戳信息。 实现难度：⭐⭐⭐⭐⭐（极高） 优点：适配多模态知识库，覆盖更丰富的信息类型；解决纯文本 RAG 无法处理非文本内容的问题。 局限：多模态模型计算成本高；不同模态的融合逻辑复杂，需大量调优。 典型应用场景：电商商品问答（图片+文本+表格）、教育领域（课件含图片/视频/文本）、医疗影像问答。

16. Agent-RAG（智能体增强 RAG）

核心思路：将 RAG 集成到智能体（Agent）框架中，让 Agent 自主决策检索流程：

1. Agent 拆解复杂问题为多个子问题，逐个检索；
2. 针对每个子问题选择最优 RAG 策略（如 Hybrid RAG/重排序）；
3. 融合子问题的检索结果，生成最终回答；
4. 若回答不满足要求，Agent 触发'追问用户'或'二次检索'。 实现难度：⭐⭐⭐⭐⭐（极高） 优点：适配超复杂问题（如'分析某产品近三年的销量变化及原因'）；具备自主决策和纠错能力。 局限：Agent 框架开发成本极高；多次检索和思考导致耗时和成本大幅增加。 典型应用场景：企业级数据分析助手、高端咨询问答系统、复杂决策支持场景。

17. Personalized RAG（个性化 RAG）

核心思路：结合用户画像优化检索和生成结果：

1. 构建用户画像（如行业、职位、历史问答记录、偏好）；
2. 检索时优先返回与用户画像匹配的 chunk（如给技术人员返回详细技术文档，给非技术人员返回简化版）；
3. 生成回答时适配用户的语言风格和知识背景（如给新手用通俗语言，给专家用专业术语）。 实现难度：⭐⭐⭐⭐（中高） 优点：提升用户体验，回答更贴合用户需求；适配多角色、多场景的问答系统。 局限：需收集和维护用户画像，存在隐私风险；画像构建不当会导致检索偏差。 典型应用场景：ToC 智能助手（如个人 AI 问答）、企业内部多角色知识库（如研发/产品/运营共用知识库）。

五、方案选型参考

总结

RAG 技术的演进核心围绕'更精准的检索、更高效的匹配、更贴合场景的生成'三大目标，从最初的简单切块到如今的 Agent-RAG、跨模态 RAG，逐步解决了语义割裂、检索漏检、复杂问题适配等核心痛点。

在实际落地中，无需盲目追求复杂方案：小规模场景优先选择'基础分块+Hybrid RAG'，平衡成本与效果；中大型场景可采用'Hierarchical RAG+Rerank+Self-RAG'，提升精准度和鲁棒性；前沿方案可作为技术预研方向，待场景成熟后逐步落地。

未来 RAG 的发展方向将聚焦于'轻量化''自适应''多模态融合'，同时结合大模型的迭代，进一步降低部署成本，提升端到端的问答体验。