且听我慢慢道来

首先一句话通俗解释什么是RAG? 全称: Retrieval-Augmented Generation (检索增强生成) ：RAG是一种结合信息检索与大语言模型生成的架构。

检索增强生成 (RAG) 是一种变革性的生成式人工智能架构，它将大型语言模型 (LLM) 与外部知识检索相结合，以生成更准确、更贴近实际且更具上下文相关性的响应。随着企业不断推进将生成式人工智能嵌入业务流程，RAG 提供了一种无需持续重新训练大型模型即可应对重大风险（包括信息错乱、知识陈旧和领域特定性）的方法。

RAG系统的组成部分：

检索增强生成（RAG）

从宏观层面来看，RAG系统由三个模块组成：

查询编码器：对输入进行编码x转换为查询表示q用于检索相关文档。这可以是神经编码器，也可以是基于规则的模板。

检索器：给定查询q检索器获取文档的排名列表。d1，d2，…，dk来自语料库𝒞.寻回犬可能数量稀少（例如，BM25 （Robertson 等人，2009) )，密集（例如，DPR （Karpukhin 等人，2020) )、混合型或生成型。

生成器：生成器对输入的条件x以及检索到的文件d我产生最终输出是这通常是一个预训练的Transformer模型（例如，T5 （Raffel等人，2020），BART （ Lewis等人，2020a），GPT （Brown等人，2020）

检索增强生成（RAG）中的生成过程可以表示为对条件分布进行建模

x表示输入内容 （例如：问题或提示）

d表示从语料库检索到的文档 𝒞

y表示生成的响应内容

检索增强生成（RAG）框架通过文档检索，利用外部知识访问来增强大型语言模型（LLM）。

检索增强生成 (RAG) 工作流程

RAG架构分类：根据现有系统的架构侧重点对其进行分类——检索中心型、生成器中心型、混合型和鲁棒性导向型设计

当你在豆某包或者千某问上搜索，到2026年为止，RAG按照复杂与演进大致分为4类 :

1. Naive RAG（基础 / 朴素 RAG）

2. Advanced RAG（高级 RAG）

3. Graph RAG（图谱 RAG）

4. Agentic RAG（智能体 RAG）

也有说RAG可分类为：

1. Naive RAG (基础/朴素RAG)

2. Advanced RAG (高级RAG)

3. Modular RAG （模块化RAG）

btw：但是这种说法不一定准确哈

按照技术实现方式分为8种：

1. Naive RAG（基础）

2. HyDE（假设文档嵌入）

3. Corrective RAG（纠正式）

4. Self-RAG（自反思）

5. Graph RAG（图谱）

6. Hybrid RAG（混合：向量 + 关键词 + 图谱

7. Adaptive RAG（自适应：按查询复杂度动态选策略）

8. Agentic RAG（智能体）

更有甚者说是25种RAG架构：

1. Corrective RAG 纠错型RAG

2. Speculative RAG

3. Agenetic RAG

4. Self-RAG

5. Adaptive RAG

6. Refeed Retrieval Feedback RAG

7. Realm (Retrieval-Augmented Language Model) RAG

8. Raptor (Tree-Organized Retrieval) RAG

9. Replug (Retrieval Plugin) RAG

10. Memo RAG

11. Attention-Based RAG

12. RETRO (Retrieval-Enhanced Transformer) RAG

13. Auto RAG

14. Cost-Constrained RAG

15. ECO RAG

16. Rule-Based RAG

17. Conversational RAG

18. Iterative RAG

19. HybridAI RAG

20. Generative AI RAG

21. XAI (Explainable AI) RAG

22. Context Cache in LLM RAG

23. Grokking RAG: The Intuitive Learner

24. Replug Retrieval Feedback

25. Attention Unet RAG

RAG 技术分层架构全景

后续会针对这25种RAG架构模式做详细介绍

本篇基于什么是RAG？RAG设计模式展开介绍

下面详细介绍基于《Retrieval-Augmented Generation for Large Language Models: A Survey》这篇论文提到的三种RAG模式的实现方式：

A：Naive RAG 朴素RAG

步骤：加载->分块->嵌入->检索->生成

重点：简单相似度搜索 ，不进行优化

from langchain.text_splitter import CharacterTextSplitter from langchain.vectorstores import Chroma from langchain.embeddings import OpenAIEmbeddings from langchain_openai import ChatOpenAI 
# 1. 加载并分割数据text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_text( "文档内容在此处 " ) 
# 2. 创建嵌入并存储到向量数据库中embeddings = OpenAIEmbeddings() db = Chroma.from_texts(texts, embeddings) 
# 3. 检索文档retriever = db.as_retriever() 
# 4. 使用 LLM 生成响应llm = ChatOpenAI(model= "gpt-4o" ) query = "什么是 LangChain？" docs = retriever.get_relevant_documents(query) context = "/n/n" .join([doc.page_content for doc in docs]) response = llm.invoke( f"Context: {context} /nQuestion: {query} " ) print (response)

示例输出：

输入查询： 什么是langchain？

回复：“LangChain 是一个框架，用于构建将语言模型与向量数据库等工具相结合的应用程序，以实现检索增强生成 (RAG)。它简化了将数据集成到语言学习模型 (LLM) 工作流程中的过程。

朴素RAG的局限性：

阶段	挑战
检索阶段	- 可能召回不相关的文本片段。- 受限于相似度计算，可能遗漏关键细节。
生成阶段	- 存在幻觉风险（编造事实）。- 可能生成不一致或冗余的回答。
增强阶段	- 难以将信息进行连贯整合。- 输出内容可能缺乏风格一致性。

B. Advanced RAG 高级RAG

步骤：预处理->多查询->检索->后处理->生成

重点：增加查询优化、重新排名和上下文压缩

from langchain.text_splitter import CharacterTextSplitter from langchain.vectorstores import Qdrant from langchain.embeddings import OpenAIEmbeddings from langchain_openai import ChatOpenAI from langchain.prompts import PromptTemplate from langchain.rerankers import Reranker 
# 1. 预检索优化 🛠️ text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_text( "高级文档内容." ) 
embeddings = OpenAIEmbeddings() db = Qdrant.from_texts(texts, embeddings)   # 使用 Qdrant 实现灵活检索
# 2. 查询优化 🔍 query_variations = [     "解释 LangChain 概念." ,     "LangChain 的用例是什么？" ] “     LangChain 如何简化工作流程？” # 
3. **检索和重排序 ✂️ retriever = db.as_retriever() all_docs = [] for query in query_variations:   # 多查询方法    docs = retriever.get_relevant_documents(query)     all_docs.extend(docs)**

# 重排序结果reranker = Reranker() ranking_docs = reranker.rank(all_docs, query) 
# 4. 上下文压缩 🔧 context = "/n/n" .join([doc.page_content for doc in ranking_docs[: 3 ]])   # 选择前 3 个文档
# 5. 使用优化后的输入生成响应llm = ChatOpenAI(model= "gpt-4o" ) prompt = PromptTemplate.from_template( "基于上下文的答案：/n{context}/n问题：{query}" ) response = llm.invoke(prompt.format ( context=context, query= "什么是 LangChain？" )) print (response)

优化索引：

技术手段	核心用途
分块策略 🧩	将数据拆分为可管理的片段，以实现高效处理。
数据清洗 🧹	去除噪声干扰，确保用于索引的文本片段具备高质量。
多表示索引 🗂️	存储多种视角的数据（文本、语义向量），以更好地捕捉上下文信息。
自查询检索 🤖	在检索前内部生成优化查询，以提升结果的相关性。
父文档检索 📖	检索完整文档而非孤立片段，以实现更优的上下文整合。

检索前优化与检索后优化的权衡取舍：

流程	优势	劣势
检索前 (Pre-Retrieval)	✅ 搜索速度更快。✅ 结果更聚焦，减少噪声干扰。✅ 实现更简单。	❌ 预处理成本高。❌ 灵活性受限。❌ 存在过滤掉有用数据的风险。
检索后 (Post-Retrieval)	✅ 可灵活优化结果。✅ 支持纠错处理。✅ 能适配查询意图。	❌ 需要更多计算资源。❌ 依赖初始检索的质量。❌ 配置更复杂。

C. Modular RAG 模块化RAG

步骤：模块化设置->路由->动态查询->上下文融合->生成

重点：支持特定任务模块、路由和内存集成

优点：1.即插即用的咯灵活性2.动态查询处理3.任务特定精确度4.可扩展且面向未来

from langchain_community.document_loaders import WebBaseLoader from langchain.vectorstores import Pinecone from langchain.embeddings import OpenAIEmbeddings from langchain.chains import RetrievalQA from langchain.prompts import PromptTemplate from langchain_openai import ChatOpenAI from langchain.memory import ConversationBufferMemory from langchain.retrievers.multi_query import MultiQueryRetriever 
# 1. 模块化数据加载 🔄 loader = WebBaseLoader( "https://example.com/article" ) data = loader.load() 
# 2. 灵活索引 📦 text_splitter = CharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) texts = text_splitter.split_documents(data) 
embeddings = OpenAIEmbeddings() vector_store = Pinecone.from_documents(texts, embeddings) 
# 3. 高级查询路由 🌐 multi_retriever = MultiQueryRetriever.from_llm(     retriever=vector_store.as_retriever(), llm=ChatOpenAI(model= "gpt-4o" ) ) 
# 4. 特定任务提示 🎯 custom_prompt = PromptTemplate(template= """回答以下问题：{context}问题：{question}""" ) 
# 5. 内存模块 🧠 memory = ConversationBufferMemory(return_messages= True ) 
# 6. 动态问答链 ⚡ qa_chain = RetrievalQA.from_chain_type(     llm=ChatOpenAI(model= "gpt-4o" ),     retriever=multi_retriever,     memory=memory,     chain_type_kwargs={ "prompt" : custom_prompt} ) 
# 7. 执行灵活管道响应 = qa_chain.run( "LangChain 的主要特性是什么？" ) print (response)

模块化RAG的优势：

特性	优势
可适应性 🔄	可针对不同任务替换或重新配置模块，确保可扩展性与复用性。
精准检索 🎯	采用多查询扩展与自查询机制，提升检索准确率。
任务专属优化 🛠️	使流水线适配问答、摘要或知识图谱等专业化工作流。
动态查询路由 🚦	自动将查询路由至最相关的数据源与检索方法。
记忆集成 🧠	追踪多轮查询间的上下文历史，支持迭代优化与多步骤工作流。

以下是 Modular RAG 在幕后所做的工作：

1. 路由模块🚦 → 决定此查询是否需要网络搜索、内部文档或API 数据。

2. 多查询扩展 🔗 → 生成3-5 个问题变体，以涵盖不同的角度。

3. 并行检索 🔍 →同时在多个数据源（向量存储、API 等）中运行搜索。

4. 重新排名📊 → 选择排名靠前的数据块，并删除重复或无意义的结果。

5. 内存 🧠 → 检查过去的查询以获取上下文 — 此查询是否建立在先前的问题之上？

6. LLM 答案 🎯 → 整合最佳信息并撰写最终回复——清晰、简洁、切中要点。

步骤一：导入所需库

from langchain.vectorstores import Qdrant   # 用于嵌入的向量存储from langchain.embeddings import OpenAIEmbeddings   # 嵌入模型from langchain.text_splitter import RecursiveCharacterTextSplitter   # 将文档分割成块from langchain.chains import RetrievalQA   # 检索增强生成 (RAG) from langchain.prompts import ChatPromptTemplate   # 提示模板from langchain.chat_models import ChatOpenAI   # 基于 GPT 的 LLM

步骤二：设置模块化组件

# 加载并准备数据text = "您的文档内容..."   # 替换为您的输入数据splitter = RecursiveCharacterTextSplitter(chunk_size= 500 , chunk_overlap= 100 ) chunks = splitter.create_documents([text]) 
# 嵌入和向量存储embeddings = OpenAIEmbeddings() vector_db = Qdrant.from_documents(chunks, embeddings, collection_name= "modular_rag_demo" ) 
# 检索器配置

步骤三：多查询模块

from langchain.prompts import PromptTemplate from langchain.chains import LLMChain 
# 多查询提示query_template = """生成给定查询的三个变体：查询：{question}
变体：1. ... 2. ... 3. ... """ prompt = PromptTemplate(input_variables=[ "question" ], template=query_template) 
# 生成多查询扩展llm = ChatOpenAI(model= "gpt-4o" ) query_chain = LLMChain(prompt=prompt, llm=llm) query_variations = query_chain.run({ "question" : "总结2023年的气候政策" })

步骤四：检索和排序数据

# 检索每个变体的文档retrieved_docs =  [ ] for query in query_variations.split ( "/n" ) :     retrieved_docs.extend ( retriever.get_relevant_documents ( query ) ) 
# 重新排序并压缩上下文context =  "/n/n" .join ( doc.page_content [ : 200 ] for doc in retrieved_docs )   # 压缩到 200 个字符

步骤五：使用 LLM 生成输出

# 创建提示模板template = """上下文：{context}
问题：{question}
答案：""" chat_prompt = ChatPromptTemplate.from_template(template) 
# 生成回复response = llm.invoke(chat_prompt.format ( context =context, question= "总结2023年的气候政策" )) print (response)

输出示例📝

输入查询：
“总结2026年的气候政策。”

输出答案：
“2026年的气候政策重点在于推广可再生能源、制定更严格的碳排放法规以及达成国际气候协议，以将全球变暖幅度控制在1.5摄氏度以内。感谢您的提问！

refer: https://arxiv.org/html/2506.00054v1#S2

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习、面试题等，资料免费分享！

👇👇扫码免费领取全部内容👇👇

1. 成长路线图&学习规划

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。可以说是最科学最系统的学习成长路线。

2. 大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

3. 大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

4. 2026行业报告

行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5. 大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

6. 大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

7. 资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇