RAG 技术演化：Naive RAG、Advanced RAG 与 Graph RAG
Naive RAG（初级 / 朴素 RAG）
流程简单：用户提问→文档切块做向量检索→找到最相似片段交给大模型生成答案。核心问题是检索精度低，类似关键词匹配的 “实习生”，用户问题模糊或文档关键词偏移时易返回不相关内容，导致 “垃圾进垃圾出”。解决了大模型 “有没有私有知识” 的问题，但未解决 “查得准不准” 的问题。
Advanced RAG（进阶版 RAG）
通过 “打补丁” 策略优化检索精度，在检索前中后增加工程化手段：第一步查询优化（机器修正模糊问题）；第二步混合检索（向量检索 + 关键词检索双管齐下）；第三步重排序（对检索结果重新打分，优先最相关内容）。核心是解决 “查不准” 的问题，是目前企业落地的主流方案。
Graph RAG（基于知识图谱的 RAG）
将文档视为实体关系网络，先提取文档中的实体（人名、地名、概念等）并构建实体间关系。解决复杂问题或跨文档推理时，系统可沿实体关系 “顺藤摸瓜” 进行结构化深度理解，解决碎片化和 “看不全” 的问题。代价是实现成本更高、速度更慢。
三者关系与总结
- Naive RAG：0-1 突破，解决大模型 “有没有知识” 的问题。
- Advanced RAG：工程精细化，通过策略解决 “检索准不准” 的问题，企业落地主流。
- Graph RAG：结构升维，引入图谱解决复杂问题 “回答全不全、深不深” 的问题。
三者非淘汰关系，而是针对不同场景的技术选择，如同瑞士军刀应对不同需求。
