RAG 技术演进自适应检索、GraphRAG 与多模态检索的落地路径早期的 RAG 是向量检索 生成的朴素组合文档切块、向量化、相似度召回、拼提示词。这套模式解决了从无到有的问题但很快暴露出召回不准、上下文割裂、长文档理解弱、静态知识等瓶颈。过去两年RAG 从单一范式演进为包含自适应检索、图检索、多模态检索、智能体化编排的复杂技术体系。这篇文章梳理 RAG 的演进脉络重点拆解几类新范式的原理、适用场景与落地取舍。一、朴素 RAG 的四个瓶颈在讨论新范式之前先精确描述朴素 RAG 到底哪里不够用。这不是否定它——朴素 RAG 至今仍是大多数场景的合理起点——而是明确它的能力边界才知道什么时候该升级。召回不准。向量相似度无法完全捕捉语义相关性。专业领域里表面相似但不相关的文本同查询难负样本经常排在真正答案前面。更麻烦的是传统评估方法如问题-文档相似度在难负样本场景下几乎失效——用错误尺子量出来的准确率高掩盖了真实问题。上下文割裂。文档被机械切块后跨段落的逻辑关联丢失了。A 公司收购了 B 公司在前一段收购后 B 的 CEO 出任新公司总裁在下一段朴素 RAG 很难把两段串起来完成多跳推理。长文档理解弱。面对上百页的 PDF逐块检索像盲人摸象——每块都是局部信息缺少全局视图模型难以做出需要通读全文才能判断的回答。知识静态。朴素 RAG 的知识库是固定快照实时变化的数据股票价格、库存状态、航班信息无法处理。二、自适应检索把检索决策交给系统朴素 RAG 每次查询都执行固定的检索 生成。自适应检索Adaptive RAG的核心变化是根据问题的类型和复杂度动态决定是否需要检索、检索几次、从哪个数据源检索。典型规则包括简单事实问题“公司注册年份”可能一次检索就够复杂推理问题“上季度各区域营收对比”需要多轮检索甚至多源检索闲聊或常识问题“你好”“今天天气如何”可以不检索直接回答无检索价值的问题“你觉得这篇报告写得怎样”走纯生成。实现方式有两条路线规则路由——用分类模型或关键词规则判断问题类型映射到不同的处理流程模型路由——让 LLM 自己决策把是否检索作为工具调用的一部分。前者稳定可控、成本低后者灵活但决策本身有失败概率。自适应检索的收益在两方面都很明显效果上检索次数与问题复杂度匹配避免了简单问题被无关检索噪声干扰成本上减少无谓的 API 调用。实测中准确率提升可达 40%同时 token 消耗明显下降。落地建议先做规则路由用分类器把问题分成无需检索 / 单次检索 / 多轮检索三类跑通后再逐步引入模型决策降低初期的不可控因素。三、GraphRAG把知识库变成图GraphRAG图检索增强生成是这两年最受关注的方向之一。核心思路是把知识库从向量列表升级为知识图谱实体公司、人物、产品和关系收购、任职、属于被显式建模检索在图上进行支持多跳推理。3.1 为什么图能解决割裂问题向量的相似度检索本质上是一阶匹配问题与文档片段的表面语义相关。多跳问题“A 公司的创始人在哪所大学读过书”需要跨多个实体和关系推导一阶匹配无法完成。图结构天然支持沿着关系边进行多跳遍历——找到 A 公司节点 → 沿创始人边到人物节点 → 沿教育背景边到大学节点整条路径就是答案的证据链。3.2 构建与检索流程GraphRAG 的落地链路比朴素 RAG 重实体抽取用 LLM 从文档中抽取实体与关系这一步是成本和质量的双重瓶颈。抽取质量直接决定图的质量而 LLM 抽取存在漏抽、错抽、实体指代不统一的问题。图存储图数据库Neo4j 等或图索引存储三元组。检索策略问题先解析出实体再从图中扩展实体邻居遍历广度优先、关键路径查询、社区检测找与问题相关的知识子图。社区检测特别适合回答这份文档讲了哪些主题、各主题关系如何这类全局问题。生成把检索到的子图序列化为文本三元组列表或自然语言描述注入提示词。3.3 落地取舍GraphRAG 的优势是精准的多跳推理与全局性问题回答代价是构建成本高、维护复杂、检索延迟高于向量检索。落地判断标准知识库是否强关联结构如组织架构、供应链关系、知识体系——是则值得建图是否频繁出现多跳推理问题——是则图的收益能覆盖成本数据更新频率如何——高频更新场景图的维护成本会失控。行业实践中有一种渐进路线保持向量检索为主干对少量高价值文档子集构建图索引形成向量为主、图为辅的混合架构兼顾成本与能力。四、全局感知与长文档理解从盲人摸象到先看全景长文档 RAG 的痛点在于逐块检索缺乏全局上下文。两个主流解法摘要先行。检索前先为整篇长文档生成高层摘要全局视图检索时把摘要与相关片段一起注入让模型带着对全文的理解去找细节证据。实测对百页级文档的问答质量提升显著。分层索引。构建文档的分层结构全文摘要 → 章节摘要 → 段落内容检索时先在摘要层定位相关章节再下钻到细节层。这模仿了人类阅读策略——先翻目录再读相关章节而不是一页页找。这两种方案都把全局信息引入检索决策成本是额外的一次或多次摘要生成但在长文档场景下收益远超成本。五、多模态 RAG从纯文本到图文并茂企业文档中大量知识以图片、表格、图表承载产品示意图、数据报表、流程图、公式。纯文本 RAG 对这些内容无能为力。多模态 RAG 的演进方向有三条文本化提取对图片做 OCR 内容描述把表格转为结构化文本纳入现有文本检索管线。成本最低但损失了视觉细节。多模态嵌入用多模态 embedding 模型如 CLIP 类把图片与文本统一映射到向量空间图文混合检索。支持找一张描述类似场景的图这类跨模态查询。视觉语言模型生成检索到图片后由 VLM 结合问题理解图像内容再回答。适合产品说明书、工程图纸等强视觉依赖场景。实际项目中三种方案常叠加使用OCR 文本进文本库图片本身进多模态库回答时按需调用 VLM 做视觉理解。多模态 RAG 的落地门槛主要在成本与延迟随着多模态模型价格下降这个方向会越来越主流。六、RAG 与 Agent 的融合检索变成一种能力最新一轮演进是 RAG 从固定管线变成Agent 的一项能力。区别在于RAG Chain固定流程每次查询都执行检索 → 生成。结构简单但不会根据问题调整检索策略。RAG Agent检索是 Agent 可调用的工具由模型决定要不要查、查几次、查哪个库、要不要改写问题再查。支持多轮对话中持续追问细节、对比多个来源、发现矛盾时追加检索。融合形态的价值在复杂任务中体现比如对比两款产品的售后政策差异RAG Agent 会分步检索两款产品的政策文档、抽取关键条款、对比差异、标注依据而不是一次检索完事。对团队而言融合形态意味着 RAG 系统的边界从检索 生成扩展为检索工具化 规划循环 记忆 评测复杂度显著上升。建议从 Chain 形态起步把管线跑稳、评估指标建好再逐步引入 Agent 化编排。七、评测新范式绕不开的关口任何 RAG 升级都必须回答同一个问题效果到底提升了多少没有评测升级就是赌博。RAG 评测体系至少要覆盖三个层面检索质量召回率、命中率、难负样本上的区分度。这里特别提醒传统相似度类评估指标在难负样本下会失真需要用回答是否真的用上了检索内容这类因果性指标补充验证。生成质量回答准确率、引用正确率、拒绝率。要有专业标注员对回答做事实性判断而不是只看字面流畅度。端到端指标任务成功率、用户满意度、平均延迟、单位成本。业务价值最终看这些指标。评测集要持续扩充——每发现一类线上失败样本就补进评测集防止同类问题回归。这是 RAG 系统长期演进的基础设施值得投入。八、技术选型建议面对如此多的新范式团队该如何选给出几条务实建议先跑朴素 RAG 闭环建好评测集与监控明确基线水平按评测数据定位短板召回差 → 上混合检索与重排序多跳问题多 → 评估建图收益长文档场景 → 先试摘要先行图片表格多 → 逐步引入多模态每次只引入一项改进用评测数据确认收益后再动下一项避免多变量叠加导致无法归因成本与效果一起评估新范式的收益必须能覆盖构建与维护成本。RAG 的方向是确定的——更智能的检索决策、更丰富的知识形态、更强的推理能力。但技术的演化不改变工程的基本原则用数据决策、渐进式改进、保持架构简单。把这条主线抓住无论范式怎么演进团队都能站在正确的轨道上。
