RAG 检索增强生成趋势与 9 大代表作
项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide RAG（检索增强生成）让大模型带着你的私有知识回答，却不再胡说。本文用一张表、六类问题域和最小代码，帮你 10 分钟看清 2023–2026 的 RAG 代表作与选型路径。
📊 一张表看懂 RAG 六大范式
先看全景。RAG 已从"检索一次就拼给模型"的朴素管道，演进成六种形态。按检索方式、知识组织和智能体能力区分，一眼定位你的场景：
| 范式 | 检索方式 | 知识组织 | 智能体能力 | 代表工作 |
|---|---|---|---|---|
| Naive RAG | 相似度 TopK | 平坦分块 | 无 | Self-RAG |
| Advanced RAG | 改写+重排 | 分层摘要树 | 弱 | RAPTOR |
| Graph RAG | 图遍历 | 实体关系图 | 弱 | GraphRAG |
| Agentic RAG | 工具+规划 | 动态检索 | 强 | Auto-RAG |
| 多模态 RAG | 跨模态嵌入 | 多模态图 | 中 | VideoRAG |
| 评估驱动 | 指标闭环 | 基准集 | 按需 | RAGAS |
完整论文库见 research_updates/rag_research_table.md，按九类标签持续更新。
它到底解决什么：三个痛点三方案
RAG 不是万能药。它只解决下面这几类问题，对号入座再上：
| 你的痛点 | RAG 给的方案 |
|---|---|
| 模型知识过时，答非所问 | 外挂知识库，实时检索更新 |
| 私有数据模型根本不知道 | 企业文档向量化后精准召回 |
| 回答没依据，不敢上线 | 带引用、可溯源、可校验 |
| 单跳能答，多跳就崩 | 图结构 / 智能体多轮检索 |
一句话：RAG 用"查资料再作答"，把模型的参数记忆和外部非参数记忆接起来，代价可控、可更新、可追责。
⚙️ 核心机制：RAG 流水线如何运转
标准 RAG 是一条"改写→检索→重排→组装→生成→校验"的流水线，失败时回炉重查。下图是智能体化后的闭环形态：
这张图展示的是"向量库粗筛 + 重排器精排"的两段式核心：
- 向量检索：把查询和文档都转成向量，按余弦相似度取 Top-K（候选粗筛）。
- 重排打分：用更贵的交叉编码器（reranker）对候选精排，取 Top-N 进上下文。
- 智能体升级：Auto-RAG 把"要不要再查、查什么"交给 LLM 自己规划，从静态管道变动态决策。
🏆 代表作盘点：按六类问题域选型
我们按"你要解决什么问题"归类，而不是按时间。每个域给代表作、创新点和适用场景。
自适应与纠错检索
- Self-RAG（2023）：让模型用反思 token 自主决定"何时检索、检索是否相关"。创新点是把检索从固定动作变成可控行为。适合幻觉率高的开放问答。
- CRAG（Corrective RAG）：加一个检索评估器打分，置信度低就触发网络搜索 + 分解重组。适合知识快速变化的网页场景。
- SeaKR：靠模型自感知不确定性触发检索并重排。适合不确定"该不该查"的任务。
长文档与多跳推理
- RAPTOR（2024）：递归构建"分层摘要树"，跨粒度检索。适合报告、书籍级长文档。
- LongRAG：提出"长检索器 + 长读者"，用 4K token 长单元检索，召回率更高。
- HippoRAG：受海马体索引启发，知识图谱 + 个性化 PageRank 做多跳记忆。
图结构检索（Graph RAG）
把实体和关系建成图，跨文档全局问题靠图遍历，而非碎片拼接。
- GraphRAG：实体图 + 社区主题摘要，擅长"整体归纳类"问题。
- NodeRAG / GNN-RAG / CatRAG：前者用异质节点统一建模，后者用图神经网络检索与动态边权重修复语义漂移。
智能体 RAG（Agentic RAG）
- Auto-RAG（2024）：LLM 驱动迭代检索，自己规划查询、按需决定轮数。适合复杂多步任务。
- MMOA-RAG：把改写、检索、过滤、生成都当强化学习智能体，对齐全局奖励。
- Doctor-RAG：检测检索失败轨迹并定点修复，不整段重来。
- A-RAG：暴露关键词/语义/读块三层检索接口给模型自适应调用。
多模态 RAG
- VideoRAG（2025）：对视频语料动态检索片段，联合图文生成。
- RAG-Anything / RegionRAG：统一文本、图像、表格、公式；把检索单元细化到图像区域。
- RULE：医疗视觉模型上做可靠多模态检索，提升事实性。
评估与基准
- RAGAS（2023）：无标注自动评估检索相关性、忠实度、答案质量。
- CRAG Benchmark / FRAMES / RGB：分别考察动态知识、事实-检索-推理端到端、噪声鲁棒性。
- RAGElo：用 Elo 对战自动给 RAG 方案排名。
维度对比速查
| 问题域 | 代表工作 | 核心创新 | 适用场景 |
|---|---|---|---|
| 自适应检索 | Self-RAG | 反思token自主检索 | 高幻觉开放QA |
| 纠错检索 | CRAG | 评估器+分解重组 | 网页知识更新 |
| 长文档多跳 | RAPTOR | 分层摘要树 | 报告书籍问答 |
| 图结构 | GraphRAG | 实体图+主题摘要 | 跨文档全局问题 |
| 智能体 | Auto-RAG | LLM迭代规划检索 | 复杂多步任务 |
| 多模态 | VideoRAG | 视频片段检索生成 | 视频图像问答 |
| 评估 | RAGAS | 无标注自动评估 | 系统迭代调优 |
更深的智能体检索见 topics/agents.md 与 research_updates/agentic_search_retrieval_table.md。
🧭 如何选型与最小代码落地
选型先问三个问题：知识更新频率、是否多跳、实体关系强度。决策树如下：
下面这段是 RAG 最小骨架：分块 → 向量检索 Top-K → 拼上下文 → 生成。EMBED 处换成真实嵌入模型即可跑通：
# 这段演示 RAG 最小闭环：向量检索 TopK + 拼上下文 + 生成
import numpy as np
DOCS = ["RAG 用检索降低幻觉",
"GraphRAG 面向多跳全局问题",
"Agentic RAG 自主规划多轮检索"]
EMBED = np.random.rand(len(DOCS), 8) # TODO: 换成 embedding 模型输出
def retrieve(query, k=3):
qv = np.random.rand(8) # TODO: query 的嵌入
scores = EMBED @ qv
top = np.argsort(scores)[::-1][:k]
return [DOCS[i] for i in top]
def rag(query):
ctx = retrieve(query) # ① 检索
prompt = f"依据资料回答：{query}\n资料：{'；'.join(ctx)}"
return call_llm(prompt) # ② 生成(换成你的 LLM)
进阶建议：
- 知识稳定、单跳 → 先用朴素 + 重排，性价比最高。
- 多跳、实体多 → 上 Graph RAG；需要"边查边想"→ 上智能体 RAG。
- 上手路线见 resources/RAG_roadmap.md，智能体入门见 resources/agentic_rag_101.md。
句子窗口检索（命中一句、喂整窗）是朴素 RAG 最常见的细节优化，能明显减少上下文截断：
趋势判断：三条推演
用"如果…那么…"推演，不喊口号：
| 假设 | 推演结论 |
|---|---|
| 如果检索接口继续变粗 | 那么固定 Top-K 会被"工具+规划"取代，智能体 RAG 成默认形态 |
| 如果嵌入能携带上下文 | 那么"按句隔离编码"退场，可演化嵌入（如 SitEmb/EvoEmbedding）吃掉长上下文红利 |
| 如果评估走向无标注自动化 | 那么 RAGAS 类指标会进入 CI，RAG 像单元测试一样可回归 |
收尾
你现在有了六类范式的全景、九个代表作的定位和一条最小可跑的落地路径——从 Naive RAG 到智能体 RAG 的选型逻辑已经装进脑子。下一步：打开 topics/rag.md 把 RAG 学习路线收藏到清单，或直接复制上面的最小代码，把你的第一份私有文档喂进检索库。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
