RAG（Retrieval-Augmented Generation）是一种结合外部知识检索与语言模型生成的混合技术架构。它在大型语言模型（如 GPT）生成能力的基础上，通过外部知识库提高了准确性、时效性和可控性，广泛用于企业问答、搜索增强、智能客服、代码辅助、知识图谱等场景。
然而，RAG不是一个固定结构,也没有固定的套路，而是一套可以灵活演化的系统。
本文将结合当前主流实践，分析三类策略，17种 RAG 实现方法的技术原理，帮助你选择最适合业务场景的方案。
一、文档分块策略（方法1～5）
1. Simple RAG（基础版）
原理：将问题向量化 → 检索向量库中的文档片段 → 拼接后交给LLM生成。
2. Semantic Chunking（语义分块）
原理：
- 使用语言模型或句法树对文档进行语义切分，而非按字符或固定长度分块。
- 保证块的完整语义。
- 提高召回质量。
技术方案：NLTK + Transformer Embedding + 动态窗口切割
3. Context Enriched Retrieval（上下文增强）
原理：
- 每个块包含其前后邻居段落，实现“块+上下文”的完整语义输入。
- 上下文丰富，回答更准确。
- 支持滑动窗口式切块。
4. Contextual Chunk Headers（块头标签）
原理：
- 提取章节名、标题等结构性标签，与正文一起向量化。
- 增强分类与上下文提示能力。
- 适合结构明确的文档。
5. Document Augmentation（文档增强）
原理：
- 对每个文档构造多个“视图”：标题、摘要、正文、元数据等，统一入库。
- 多角度增强检索命中率。
工具：ChunkRAG、DocView RAG。
二、检索与排序增强（方法6～9）
6. Query Transformation（查询改写）
原理：
- 用LLM将用户输入的问题生成多个语义等价问法，再分别进行向量检索。
- 提高低质量输入的召回能力。
支持：LangChain MultiQueryRetriever
7. Reranker（重排序）
原理：
- 对初步召回的TopK候选文档，使用Cross-Encoder/BERT重新打分并排序。
- 提升最终选中文档的相关性。
模型：MonoT5, Cohere Reranker
8. RSE（Relevant Span Extraction）
原理：在长文档中定位与问题最相关的“片段/句子”，而非整段。
精准回答，提高可控性。
技术：交叉编码器 + Pointer Network
9. Contextual Compression（上下文压缩）
原理：对检索结果执行“信息压缩”，剔除无关内容，保留关键句子或段落。
降低Token成本，提高输入效率。
工具：LangChain Compression Retriever
三、后处理与反馈优化（方法10～17）
10. Feedback Loop（反馈回流）
原理：将用户点击、满意度等行为数据用于排序模型优化，形成“人反馈 → 系统进化”的闭环。
常见于智能客服、企业知识图谱。
11. Adaptive RAG（自适应检索）
原理：使用小模型或规则识别问题类型，动态选择检索策略（如：是否用rerank？是否多Query？）。
强适配多业务场景。
技术组合：LangChain Router + MultiVector Retriever
12. Self RAG（自我决策RAG）
原理：模型判断是否需要外部知识支持；若能直接回答，则跳过检索流程。
提升效率，节省资源。
Prompt示例：“你是否可以直接回答该问题？若不能，请说明所需信息。”
13. Knowledge Graph（知识图谱）
原理：将文档转为结构化的三元组图谱，进行图谱检索或路径推理。
支持语义联想、实体关系解释。
工具：Neo4j、KGLM + 图谱嵌入模型
14. Hierarchical Indices（多级索引）
原理：对文档构建目录级别的分层索引结构，按层检索节省计算开销。
类似“分区检索”。
技术：Nested FAISS / TreeIndex
15. HyDE（Hypothetical Document Embedding）
原理：模型先尝试生成“理想答案”，再基于该答案反向检索可能支持材料。
特别适合文档碎片化严重或长问句。
实现：LLM + 向量化再检索
16. Fusion（结果融合检索）
原理：同时使用多个检索通道（如语义+关键词），合并得分后进行排序。
平衡精确度与召回率。
工具组合：Pinecone + Elastic
17. CRAG（纠错式RAG）
原理：在检索前使用纠错模块改写用户提问，修复错别字、语法错误或上下文缺失。
提高“非专业提问”的识别能力。
工具：SpellCheck + Query Rewriter + Prompt Template
最后
如何选择合适的 RAG 架构？下面是一组选型推荐，但凡事也没有绝对，需要结合实际场景进行设计。
应用目标 | 推荐方法 |
快速上线 | Simple RAG、Semantic Chunking |
提高准确性 | Reranker、RSE、Context Enriched Retrieval |
提升召回与覆盖 | Query Transformation、Fusion、Augmentation |
优化成本或效率 | Self RAG、Contextual Compression |
结构化场景支持 | Knowledge Graph、Hierarchical Indices |
用户行为优化 | Feedback Loop、Adaptive RAG |
容错性强、问题补全 | CRAG、HyDE |
总之，在实际生产运行中，RAG 不是一个简单的“检索+拼接”套路，而是一整套可定制、可演进的系统架构。从文档处理、检索策略，到后处理优化，每个环节都能独立优化与组合。
以下是17种方法的汇总表：
