传统RAG检索增强生成系统的发展可以清晰地划分为三个主要阶段其演进的核心目标始终是解决大语言模型的知识静态化和“幻觉”问题。第一阶段朴素RAG (Naive RAG)这是RAG技术最基础的实现形态遵循一个严格的线性三步流程索引 (Indexing)将外部文档如企业手册、维基百科切割成文本块通过Embedding模型转换为向量并存入向量数据库。检索 (Retrieval)将用户查询也转换为向量通过计算余弦相似度等算法从数据库中找出最相关的Top-K个文本块。生成 (Generation)将用户查询和检索到的文本块直接拼接成一个提示词Prompt输入给大语言模型来生成最终回答。优势架构简单易于实现和部署。局限缺乏语义理解早期版本依赖关键词匹配难以捕捉查询的深层语义。输出质量不高检索到的信息可能包含噪声或不相关片段导致生成的回答碎片化、不连贯。流程僵化整个过程是被动的、线性的无法根据查询的复杂程度动态调整策略。第二阶段高级RAG (Advanced RAG)为了提升检索精度和生成质量高级RAG在朴素RAG的基础上引入了“预检索”和“后检索”两大优化环节使系统从被动检索转向主动优化。预检索优化 (Pre-Retrieval)在检索发生前对输入进行优化。查询改写 (Query Rewriting)利用大语言模型对用户查询进行重写、扩展或分解使其更清晰、更适合检索。数据增强在索引阶段引入元数据如文档时间、来源并清洗冗余信息提升索引质量。后检索优化 (Post-Retrieval)在检索到初步结果后对结果进行精加工。重排序 (Reranking)使用更精细的模型如交叉编码器对初步检索出的文档进行二次打分和排序过滤掉不相关的内容显著提升头部结果的相关性。上下文压缩提取文本块中的核心信息避免超出大模型的上下文窗口限制。优势检索准确率和生成质量得到显著提升能够更好地处理中等复杂度的查询。局限虽然性能提升但系统复杂度也随之增加且整体流程依然是线性的各优化技术较为碎片化。第三阶段模块化RAG (Modular RAG)随着优化技术的叠加系统变得日益复杂。模块化RAG的核心思想是将整个RAG系统解耦成一系列可插拔、可复用的独立模块如同“乐高积木”一般可以根据不同任务需求灵活组装。核心特点灵活组合系统不再是固定的管道而是由路由、搜索、记忆、预测等多种功能模块构成。混合检索可以根据查询类型动态选择或组合使用关键词检索、向量检索甚至知识图谱检索等多种策略。工具集成能够方便地接入外部API、数据库或计算工具以处理特定领域的复杂任务。优势极大地提升了系统的灵活性、可维护性和可扩展性能够适应更加复杂和多样化的应用场景。前沿发展方向在模块化思想的基础上RAG技术正朝着更智能、更强大的方向演进其中两个重要的前沿方向是图RAG (GraphRAG)引入知识图谱将非结构化文本转换为结构化的实体关系图。这使得系统不仅能进行简单的文本匹配还能进行深层的关系推理回答需要跨文档、多跳推理的复杂问题。智能体RAG (Agentic RAG)引入智能体Agent框架使系统具备自主规划和决策能力。智能体可以像一个研究员自主判断“何时检索”、“检索什么”、“如何使用工具”并执行多步骤的复杂任务。RAG流程图