近年来，随着大语言模型（LLM）的广泛应用，检索增强生成（Retrieval-Augmented Generation，RAG）系统逐渐成为连接私有知识库与智能问答的核心架构。RAG 不仅弥补了大模型在实时性与事实性上的不足，也通过多种技术路径不断演进，形成了丰富的方法体系。
本文基于一份内部技术评估表，系统梳理了当前主流的 RAG 技术路线，并对其核心思路、实现难度与应用场景进行解读，覆盖从基础到进阶的全维度方案，为不同场景下的 RAG 系统选型提供参考。
一、基础分块与语义优化
该类方案聚焦于「文档切分」与「基础语义检索」，是 RAG 落地的入门级路径，核心解决'如何把文档拆成可检索单元'的问题。
1. Simple RAG（简单切块）
核心思路：将文档按固定长度切分为多个 chunk（片段），直接基于原始文本/基础向量进行检索。切分策略包括：按固定字数切块（如每 500 字一个 chunk）、按分句切块（按句号/换行符分割）、按分段切块（保留文档原生段落结构）。 实现难度：⭐（极低） 优点：开发成本低、部署快，无需复杂语义分析，适合小规模知识库（如单品类文档）或项目初期验证效果。 局限：机械切分易割裂语义（如跨 chunk 的长句、核心观点被拆分），导致检索上下文丢失；对长文档、跨段落关联的问题适配性差。 典型应用场景：小型企业内部 FAQ 问答、单类型短文档检索（如产品说明书）。
示例： 回答用户的问题：'北京有什么著名的景点？'
- 原始文档：《中国旅游手册》中'北京著名景点'章节被按 300 字切块，其中一个 chunk 包含'故宫、长城、颐和园是北京的核心文旅地标，每年接待超亿人次游客'；
- 检索过程：直接匹配'北京''著名景点'关键词，返回该 chunk；
- 生成结果：基于该 chunk 总结出'北京的著名景点包括故宫、长城、颐和园等，是核心文旅地标'。
2. Semantic Chunking（语义感知切块）
核心思路：突破固定长度限制，基于自然语言的语义边界切分文档。核心方法包括：利用句法分析识别句子/段落的语义完整度（如基于 spaCy、HanLP 解析主谓宾结构）、基于文档结构（标题层级、目录）划分逻辑单元、结合领域词典（如法律/医疗术语）保留专业概念的完整性。 实现难度：⭐⭐（低） 优点：避免语义割裂，检索到的 chunk 具备完整逻辑，提升回答的准确性；适配长文档和专业领域文档。 局限：需适配不同语言/领域的语义模型，切分规则需手动调优；对无结构化文档（如纯文本聊天记录）效果有限。 典型应用场景：企业知识库（含多层级文档）、专业领域短文档（如医疗指南、法律条文）。
3. Chunk Overlap（重叠切块）
核心思路：在 Simple RAG 基础上，为相邻 chunk 设置重叠区域（如每 500 字切块，重叠 50 字），弥补固定切分的语义断裂问题。重叠内容通常为前一个 chunk 的末尾部分、后一个 chunk 的开头部分。 ：⭐（极低） ：几乎无额外开发成本，仅需调整切分参数；有效解决'核心信息跨 chunk'的问题（如'某产品的安装步骤 3-5 跨两个 chunk'）。 ：会增加检索冗余度（重叠内容可能被重复检索）；重叠长度需手动调试（过长增加计算量，过短无效果）。 ：需要保留连续逻辑的文档（如操作手册、步骤说明），是 Simple RAG 的'低成本优化版'。