FDE 企业 AI 落地与交付 · 知识检索与问答问题 · 2026-06-11

主流RAG技术全景 -- 从Naive到Agentic

梳理主流RAG技术演进,从Naive到Agentic,帮你理清技术选型思路,为投标书编写等场景找到最合适方案。

核心内容:

  1. 从Naive RAG到Agentic RAG的技术演进脉络
  2. Graph RAG、Self-RAG等各类技术的核心思想与适用场景
  3. 针对投标书编写等实际场景的技术选型建议

搞过RAG的同学对这些名词应该不陌生了:Naive RAG、Advanced RAG、Graph RAG、Agentic RAG、Self-RAG……名字一个比一个唬人,论文一篇比一篇复杂。但真要用的时候,很多人就懵了——这么多技术路线,到底有什么区别?哪些是花架子,哪些是真能提升效果的?对投标书编写这个场景,选哪种最合适?

RAG技术在2024到2026年间经历了一轮爆发式演进。从最初简单的"检索+生成"两段式,发展到现在融合了图结构、多智能体协作、自反思纠错等复杂机制的多元化技术版图。每一种技术的提出,都是为了解决某类特定场景下的特定问题。

这篇文章就来系统梳理当前主流RAG技术的全貌。我们不会深入每篇论文的细节,而是聚焦每类技术的核心思想、解决的问题、适用场景和局限性。看完你应该能:

如果你正在选型RAG技术栈,或者想了解各种RAG技术到底在解决什么问题,这篇文章应该能帮到你。

一、RAG技术的演进脉络

1.1 Naive RAG:起点

Naive RAG是最基础的形式,也是理解一切后续技术的起点。它的流程非常直接:索引文档→用户提问→检索相关块→拼接提示词→大模型生成。

这种方式的优点显而易见:实现简单,成本低,架构清晰。很多团队的第一版RAG系统就是Naive RAG,几周就能跑通。

但Naive RAG的痛点也很明显。第一,检索质量不稳定——向量相似度不等于语义相关性,经常检索到"看起来相关但其实无关"的内容。第二,无法处理复杂问题——如果一个问题的答案需要从三份文档中分别提取信息然后整合,Naive RAG只能靠大模型的"理解"来拼凑,效果不稳定。第三,缺乏纠错能力——检索错了就是错了,系统没有办法自我检查和纠正。

尽管有这些局限,Naive RAG并不应该被轻视。对于一个文档量不大(几百到几千块)、问题类型单一(主要是事实检索)的场景,Naive RAG配合一个质量还可以的嵌入模型,效果已经能打动不少人。把它做好、做稳定,比盲目追求高大上的新技术更务实。

1.2 Advanced RAG:在管道上加环节

Advanced RAG的思路是在Naive RAG的基础上,在检索前和检索后增加优化环节,而不是推倒重来。这种增量式的改进在实际工程中非常受欢迎,因为它不改变系统的整体架构,每个环节都可以独立测试和优化。

检索前的优化主要包括:查询改写(把用户的模糊问题转成更精准的检索语句)、查询分解(把复杂问题拆成多个子问题分别检索)、和假设文档嵌入(先生成一个假设的完美答案,再用这个假设答案去检索)。这些技术本质上都是在"帮用户把问题问好"。

检索后的优化主要包括:重排序(用更强的模型对初次检索结果进行精筛)、上下文压缩(把检索到的大段文字压缩成关键信息,节省上下文空间)、和结果融合(把多个检索通道的结果按一定策略合并)。这些技术都在"帮模型把信息消化好"。

Advanced RAG在实践中是最被广泛采用的路线。原因很简单:它累积了Naive RAG的经验和组件,在关键节点上优化,风险可控,效果提升明显。

1.3 技术选型的核心判断维度

面对这么多RAG技术,选型的关键不是哪个"更先进",而是哪个"更适合"。判断一个RAG技术是否适合你的场景,核心看四个维度。

需求复杂度。如果你的场景主要是简单的事实检索("X产品参数是什么"),Naive RAG + 重排序就够了。如果涉及多文档融合和推理("对比A和B在金融行业的适用性"),需要更复杂的机制如查询分解和Agentic RAG。

数据特点。如果你的知识库是高度结构化的参数表,Graph RAG可能非常合适。如果是长篇的技术白皮书,层级分块 + 语义检索是更好的选择。如果知识库有大量实体关系(产品-方案-案例之间的关联),知识图谱增强会有效果。

延迟容忍度。有些技术虽然效果好,但会增加显著的延迟。Self-RAG的自我反思需要多轮模型调用,Agentic RAG的多智能体协作可能需要几十秒甚至几分钟。对于实时问答场景这不可接受,但对于投标书生成这种异步场景完全没问题。

开发维护成本。技术越复杂,开发和维护成本就越高。Graph RAG需要构建和维护知识图谱,Agentic RAG需要设计和调试多智能体协作逻辑。在资源有限的情况下,把Advanced RAG做精做好,可能比搞一个半生不熟的Agentic RAG效果更好。

二、Graph RAG:用图结构增强检索

2.1 核心思想

传统的RAG是"点对点"检索:问题和文档块在向量空间里做相似度匹配。但现实中的知识是有结构的——产品A被用在方案B中,方案B服务了客户C,客户C属于行业D。这些实体之间的关系信息,在传统的向量检索中几乎被完全丢失了。

Graph RAG的核心思想就是把这些关系显式化:在传统向量检索之外,构建一个知识图谱,用图结构来表示实体之间的关系。检索时既做向量相似度匹配,也做图遍历——沿着关系边找到关联的知识。

2024年微软提出的GraphRAG方案引起了广泛关注。它的做法是先从文档中自动提取实体和关系,构建一个实体-关系图,然后将这个图分成多个"社区"(语义上紧密相关的一组实体),最后对每个社区生成一个摘要。检索时同时查询向量库和图社区摘要,把图结构信息和文本语义信息结合起来。

2.2 适用场景与局限

Graph RAG最擅长的场景是对"全局性问题"的回答。比如"我们公司在金融行业有什么竞争优势",这个问题的答案分散在多份文档中——产品文档的技术参数、案例文档的客户反馈、方案文档的行业分析。Graph RAG可以通过图中的"产品→方案→行业→案例"路径,把这些分散的信息串联起来。

但它也有明显的局限。首先是构建成本高:从非结构化文…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/RAG/2026061196243.html