AI智慧与检索的巅峰融合:RAG解锁下一代信息生成新架构
作者：微信文章AI智慧与检索的巅峰融合：RAG解锁下一代信息生成新架构
这张图展示了"检索增强生成（Retrieval-Augmented Generation，RAG）"技术的不同架构，用来描述如何结合信息检索和生成式AI模型（如GPT）来更好地回答问题或生成内容。以下是大白话的逐步解读：
---
什么是RAG？
RAG是让AI不仅靠自己“想”，还可以通过检索外部数据（如文档、数据库、网页等）来获取更多的信息，然后再生成答案。它的流程通常分为两步：
1. 检索阶段：先从外部文档中找到相关内容。
2. 生成阶段：用这些相关内容作为“上下文”来帮助AI更准确地生成答案。
---
图中各架构的分类和特点
1. Naive RAG（最基础的RAG架构）
- 流程：
- 输入一个问题或查询（Query）。
- 从一堆文档中分块（Chunks），通过检索找到与问题相关的一些内容。
- 将这些内容作为上下文，传给大语言模型（LLM），然后生成答案。
- 特点：
- 简单直接，没有对检索结果进行进一步优化。
- 缺点是如果检索到的内容不够精准，生成结果可能不够好。
---
2. Retrieve-and-rerank RAG（检索并重新排序型RAG）
- 流程：
- 和Naive RAG类似，先从文档中找到相关内容。
- 然后对这些内容进行重新排序（Re-rank），把最相关的放在前面，确保提供给LLM的是质量最高的上下文。
- 特点：
- 比Naive RAG更精准，因为多了一个“挑选最好”的步骤。
- 缺点是增加了计算复杂度。
---
3. Multimodal RAG（多模态RAG）
- 流程：
- 支持多种输入形式，比如文字、图片、视频等（而不仅仅是文字）。
- 根据输入类型，从对应的数据源中检索相关内容，再用LLM结合这些多模态信息生成答案。
- 特点：
- 更灵活，不局限于文字型问题。
- 用于需要结合图片、音频或其他模态信息回答的问题场景。
---
4. Graph RAG（图结构RAG）
- 流程：
- 文档被存储为一个有节点和关系的图结构数据库。
- 查询时，通过图结构找到与问题相关的节点，然后用它们作为上下文帮助LLM生成答案。
- 特点：
- 对于关系复杂的信息，比如知识图谱、社交网络或因果关系网，这种方式更高效、更准确。
- 更适合深度挖掘知识间关联的问题。
---
5. Hybrid RAG（混合型RAG）
- 流程：
- 同时结合两种数据结构——传统文档库和图结构数据库。
- 根据查询需求，从两种数据源中分别提取信息，再组合起来传递给LLM生成答案。
- 特点：
- 灵活兼容不同类型的数据源，适合复杂且多样化的问题场景。
---
6. Agentic RAG (Router) （代理型路由RAG）
- 流程：
- 在查询过程中引入一个“路由代理”角色，根据问题选择最佳的数据源或处理方式。
- 比如，有的问题适合用普通文档库，有些适合用知识图谱，代理会根据情况决定路径。
- 特点：
- 智能化决策，让系统更高效地处理不同类型的问题。
---
7. Agentic RAG (Multi-Agent) （多代理型RAG）
- 流程：
- 引入多个独立的“智能代理”，每个代理负责不同的数据源或任务，例如：
- 一个负责普通向量搜索引擎A；
- 一个负责另一个搜索引擎B；
- 一个负责实时抓取网页；
- 一个专注于Slack消息搜索；
- 一个专注于Gmail邮件搜索；
最后将所有代理搜集到的信息整合起来传递给LLM生成答案。
- 特点：
- 功能最强大，因为它可以整合非常多样化的数据来源。
- 缺点是系统复杂度很高，需要多个模块配合工作。
这张图帮助我们理解，在不同场景下，可以选择不同架构，以最大化利用外部信息辅助AI模型回答问题或完成任务。
页:
[1]