一、 基础与进阶检索架构
-
Standard RAG (标准型)：经典的“Query → 向量检索 → 拼接上下文 → LLM”流水线。
-
适用： FAQ、企业Wiki。
-
建议： 必须搭配 Reranker（重排序） 解决向量相似度不等于语义相关性的问题。
-
-
Hybrid RAG (混合型)：语义向量 + BM25关键词 + 规则式过滤的多信号召回。
- 适用： 包含专有名词、缩写或特定编码的搜索场景。
-
Modular RAG (模块化)：将检索、重排、推理、生成拆分为独立微服务。
- 适用： 大型开发团队，利用 Kafka 记录检索日志实现场景复现和AB测试。
-
Domain-Specific RAG (行业定制型)：针对医疗、法律等垂直行业深度调优 Embedding 模型与切分策略。
- 关键： 需持续维护行业词典与知识图谱，确保术语理解的一致性。
二、 认知增强与自我博弈
-
Self-RAG (自反思型)：模型生成答案后进行“自我质检”，判断是否需要重新检索。
- 亮点： 类似“AI同行评审”，有效降低生成幻觉。
-
Corrective RAG (CRAG，纠错增强型)：【补充】 引入轻量级检索评估器，将检索结果分为“正确、错误、模糊”。若检索质量极差，则触发 Web 搜索补全。
- 适用： 对准确度要求极高的知识库。
-
Speculative RAG (投机型)：【补充】 使用小模型快速进行多次检索与草稿生成，大模型仅负责最后的校验与润色。
- 核心： 在保证质量的前提下，大幅降低推理成本和响应延迟。
-
Recursive / Multi-Step RAG (递归/多跳型)：在生成过程中多次检索、不断重构上下文。
- 适用： 投研深度报告等链式推理任务。注意其算力消耗通常是标准型的2-4倍。
三、 跨模态与复杂数据结构
-
Graph RAG (图谱增强型)：基于知识图谱，擅长回答“关系路径”问题（如依赖链分析）。
- 挑战： 数据建模难度大，需解决实体对齐与本体构建。
-
Multi-Modal RAG (多模态型)：跨文本、图像、音频。常用 CLIP 编码图像与文本向量统一召回。
- 适用： 技术图纸问答、短视频摘要、电商多维搜索。
-
Knowledge-Enhanced RAG (知识融合型)：融合结构化（数据库/表格）与非结构化文件。
- 关键： 需统一引用格式，并提供来源置信度评分。
四、 场景化与交互策略
-
Agentic RAG (智能体型)：引入 Planning 与 Tool Call。Agent 决定何时调 API、何时读表。
- 落地： 必须设置工具权限白名单与审计日志，防止 Agent 误操作。
-
Memory-Augmented RAG (记忆增强型)：利用 Redis/Pinecone 存储对话轨迹或用户画像。
- 注意： 务必设置 TTL（生存时间），防止记忆膨胀导致的噪声干扰。
-
Contextual Retrieval RAG (上下文检索型)：深度理解对话历史，不仅看当前 Query，还看会话状态。
- 适用： 多轮交互式客服。
五、 实时性与合规安全
-
Streaming RAG (流式实时型)：监听 Kafka/Kinesis 等实时流，秒级更新索引。
- 建议： 采用“冷热索引隔离”策略，确保查询效率。
-
Federated RAG (联邦检索型)：数据不出本地，仅交换检索摘要或梯度。
-
适用： 医疗、政务等对数据隐私极度敏感的跨机构协作场景。
-
核心总结与实施决策：
-
关于成本与效果的平衡：
-
低成本方案：采用 Standard + Hybrid + Rerank。这是目前性价比最高的配置，能解决 80% 的业务问题。
-
高精度方案：采用 Self-RAG 或 CRAG。虽然推理成本增加约 1.5 倍，但幻觉率（Hallucination）显著下降。
-
-
关于数据结构的挑战：
-
如果你的数据里有很多表格，不要指望 Standard RAG，必须走 Knowledge-Enhanced RAG。
-
如果你的数据里有很多逻辑关联，必须考虑 Graph RAG。
-
-
未来的终极形态： Agentic RAG 是趋势。它不再是死板的流水线，是让 AI 像人一样，根据问题的难易程度，决定是“概括”还是“深入“ 还是”延展“。
