最近总有人问我，RAG 到底怎么做。
我说你具体想做什么。
十有八九，对方描述的是同一个东西：把文档切块、做向量化、存进向量数据库，用户提问的时候检索出最相关的几段，拼进 prompt 丢给大模型。
我说，这叫 Naive RAG，是最基础的那种。
然后对方通常会愣一下：啊？RAG 还分种类？
分。而且光是主流的架构，就至少有 9 种。
每一种背后，都是在解决上一种解决不了的问题。
所以今天我想把这 9 种架构一次讲清楚。不讲论文里的公式和术语，就讲它们各自在干什么、解决了什么问题、什么时候该用。
你只要看完这一篇，以后再有人跟你聊 RAG，你能清楚地知道他在说哪一层。
一、Naive RAG（朴素 RAG）
所有故事都从这里开始。
Naive RAG 的流程，就是教科书里写的那一套：文档分块 → 向量化 → 相似度检索 → 拼 prompt → 生成回答。
简单粗暴，跑得起来。
但问题一堆。
最致命的是，检索这一步是“瞎”的。用户问“去年的销售额对比前年怎么样”，它可能检索回来一堆包含“销售额”的片段，但没有按时间排序，也没有跨片段做对比的能力。大模型拿到这些零散的片段，硬着头皮生成，结果就是一本正经地胡说八道。
所以后来的人，都是在给它打补丁。
二、Advanced RAG（高级 RAG）
打补丁的第一步，是把检索这个环节拆开，前后都加东西。
检索前：先对用户的问题做改写、扩展、分解。比如把“那个事”改写成具体指代，把“对比 A 和 B”拆成两个子查询。
检索中：不光用向量检索，还加上关键词检索（BM25），两个一起用，互补。
检索后：把检索回来的东西重新排序。因为向量检索的“相似”经常不等于“有用”，用一个专门的 rerank 模型再筛一遍。
Advanced RAG 就是这一整套优化手段的合集。
它没有改变 Naive RAG 的骨架，只是把每个关节都磨亮了。对于大多数场景，做到这一步效果就已经不错了。
Naive RAG vs Advanced RAG 流程对比
三、Modular RAG（模块化 RAG）
到了这一步，有人发现一个问题：不同的场景，需要的组件完全不一样。
问答类的场景，需要强检索；摘要类的场景，检索不重要；多轮对话，需要记忆模块；有些场景还需要路由，先判断问题类型再决定走哪条路。
于是 RAG 被拆成了乐高。
检索、路由、记忆、融合、合成……每一个环节都是独立的模块，可以插拔、可以替换、可以重新组合。
换句话说，Modular RAG 更多是一种工程哲学。它告诉你：把 RAG 看作一条流水线，每个工序都可以按需定制。
后面所有的架构，其实都可以看作是 Modular RAG 的某种特例。
到这里为止，前三种解决的都是“怎么检索得更准”。
但有人发现了一个更尴尬的问题：检索回来的东西，模型根本不知道该不该信。
这就引出了下一波。
四、Self-RAG（自反思 RAG）
核心思想一句话：让大模型自己判断。
不是所有问题都需要检索。你问“1+1 等于几”，模型本来就会，硬塞一堆检索结果进去反而干扰。也不是所有检索结果都靠谱，模型得能判断这段内容到底相不相关。
Self-RAG 训练模型生成一种叫“反思 token”的东西，在关键节点上自己做决策：这个问题要不要检索？检索回来的东西有没有用？最后生成的回答有没有依据？
简单说，它给模型装了一个“自检开关”。
好处是可控性大幅提升，模型不再无脑地用检索结果。代价是得专门训练，成本不低。
五、Corrective RAG / CRAG（纠正性 RAG）
思路类似，但走的是另一条路。
CRAG 加了一个“检索评估器”。检索回来的文档，先打分。分高的是“正确”知识，精炼后使用；分低的是“噪声”，直接扔掉；如果全都不行，就触发 web 搜索，重新找。
它的逻辑是：与其让模型硬吞一堆不靠谱的内容，不如先过滤一遍。
Self-RAG 是模型自己反思，CRAG 是外部加个质检员。目的都是一样的——别让烂检索毁了最终回答。
六、Adaptive RAG（自适应 RAG）
又往前走一步。
前面所有的架构，不管问题简单还是复杂，走的都是同一条流水线。问题是有代价的：简单问题也走完整流程，又慢又费钱；复杂问题走单步检索又不够。
Adaptive RAG 会先给查询分类。简单的事实性问题，直接让模型答；中等复杂度的，单步检索；需要多跳推理的复杂问题，走多步检索甚至迭代检索。
它像一个智能的分诊台，根据病情轻重把患者送到不同的诊室。
Self-RAG / CRAG / Adaptive RAG 决策流程
到这里，前 6 种 RAG 处理的还都是“文本对文本”的世界。
但知识从来不只是文本。这就有了后面三种。
七、GraphRAG（图 RAG）
传统的 RAG 有一个死穴：它回答不了“全局性”的问题。
你问“这本书的核心观点是什么”，向量检索会找回几个看起来相关的片段，但它拼不出全貌。因为向量检索本质上是局部匹配，它看不到文档和文档之间的结构关系。
GraphRAG 把这件事彻底换了思路。它先从文档里抽取实体和关系，构建成一张知识图谱，然后在这张图上做社区发现，给每个社区生成摘要。回答问题的时候，它沿着图的脉络去走，能看到全局的结构。
代价是构建图谱又慢又贵。但遇到那种需要“纵观全局”的问题，它是目前最靠谱的解法之一。
八、Agentic RAG（智能体 RAG）
这是目前最火的方向。
前面的 RAG，无论怎么优化，本质都是“一次性的流水线”：检索一次，生成一次，结束。
但真实世界里，很多问题不是一次检索就能解决的。比如“帮我分析一下这家公司今年的财务状况，并对比它的三个主要竞争对手”，这种问题需要规划、需要多轮检索、需要调用不同的工具（查财报、查新闻、算指标）、需要中间推理。
Agentic RAG 把 RAG 变成了 Agent 的一个工具。大模型作为大脑，自主决定：现在该不该检索？检索什么？用哪个数据源？检索结果够不够？不够就再来一轮。
这一次，流水线变成了一个会思考、会行动的助手。
能力最强，复杂度也最高。光是延迟和成本这两件事，就够工程团队头疼一阵了，稳定性更是新的考验。
九、Multi-modal RAG（多模态 RAG）
最后一种，把 RAG 从纯文本拓展到了所有模态。
文档里有图表、有图片、有 PDF 里的表格、有视频里的画面，这些都能被检索、被理解、被生成。
实现路径有很多种：可以用多模态 embedding 统一检索，可以把图片转成文字描述再走文本 RAG，也可以直接用多模态大模型端到端处理。
它解决的是“真实世界的信息本来就是多模态的”这件事。
GraphRAG / Agentic RAG / 多模态 RAG 能力象限
九种讲完了。
最后我给你一个总结性的判断，免得你看完还是懵的。
如果你刚开始做 RAG，先从 Naive RAG 起步，能跑就行。
跑起来之后效果不好，就上 Advanced RAG 的那套优化（查询改写、混合检索、rerank），这是性价比最高的一步。
如果你的场景需要灵活组合不同能力，用 Modular RAG 的思路来组织系统。
如果你发现检索结果经常不靠谱、模型乱用，考虑 Self-RAG 或 CRAG 的思路，加一道“质量检查”。
如果你的问题复杂度差异很大，Adaptive RAG 帮你做分流。
如果你要回答全局性、结构性的问题，上 GraphRAG。
如果你的任务需要多步规划、多轮检索，Agentic RAG 是目前的天花板。
如果你的数据不止是文字，Multi-modal RAG。
就这么简单。
不要一上来就 Agentic RAG、GraphRAG，那是杀鸡用牛刀，又贵又慢还不一定稳。
也不要永远停留在 Naive RAG，然后抱怨“RAG 效果真差”。
RAG 不是一个东西，它是一整个方案的家族。
你选哪一种，取决于你要解决什么问题。
至于哪个最新、哪个最酷，那是另一回事。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
