RAG 检索增强生成

RAG 是大模型落地企业知识库、私有数据问答的标准范式。本章从Naive RAG 到 Agentic RAG 全覆盖。

本章内容

• Naive RAG 与瓶颈 — 索引、检索、生成三段式与已知问题
• 文档切分策略 — 固定 / 语义 / 递归 / 延迟切分
• 嵌入模型选型 — BGE、E5、OpenAI、Voyage、Cohere 实测
• 向量数据库对比 — Pinecone、Weaviate、Qdrant、Milvus、Chroma、pgvector
• 混合检索 — BM25 + 向量融合方案与 RRF
• 重排序 — 交叉编码器、Cohere Rerank、BGE-Reranker
• 高级 RAG — HyDE、Step-back、Self-RAG、Corrective RAG
• GraphRAG 图增强检索 — Microsoft 图增强检索方案深度剖析
• Agentic RAG — 把检索当工具的 Agent 模式
• RAG 评估方法 — RAGAS、TruLens、DeepEval 实战

学习路径

1. 先建立 Naive RAG 的端到端理解（从文档到答案的完整链路）
2. 重点优化两个组件：切分策略 和 嵌入模型
3. 进入生产必加 混合检索 + 重排序，召回率立刻起飞
4. 进阶看 高级 RAG / GraphRAG / Agentic RAG，按场景选用
5. 上线前一定要做 RAG 评估，不能凭感觉