RAG 检索增强生成趋势与 9 大代表作【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guideRAG检索增强生成让大模型带着你的私有知识回答却不再胡说。本文用一张表、六类问题域和最小代码帮你 10 分钟看清 2023–2026 的 RAG 代表作与选型路径。 一张表看懂 RAG 六大范式先看全景。RAG 已从检索一次就拼给模型的朴素管道演进成六种形态。按检索方式、知识组织和智能体能力区分一眼定位你的场景范式检索方式知识组织智能体能力代表工作Naive RAG相似度 TopK平坦分块无Self-RAGAdvanced RAG改写重排分层摘要树弱RAPTORGraph RAG图遍历实体关系图弱GraphRAGAgentic RAG工具规划动态检索强Auto-RAG多模态 RAG跨模态嵌入多模态图中VideoRAG评估驱动指标闭环基准集按需RAGAS完整论文库见 research_updates/rag_research_table.md按九类标签持续更新。它到底解决什么三个痛点三方案RAG 不是万能药。它只解决下面这几类问题对号入座再上你的痛点RAG 给的方案模型知识过时答非所问外挂知识库实时检索更新私有数据模型根本不知道企业文档向量化后精准召回回答没依据不敢上线带引用、可溯源、可校验单跳能答多跳就崩图结构 / 智能体多轮检索一句话RAG 用查资料再作答把模型的参数记忆和外部非参数记忆接起来代价可控、可更新、可追责。⚙️ 核心机制RAG 流水线如何运转标准 RAG 是一条改写→检索→重排→组装→生成→校验的流水线失败时回炉重查。下图是智能体化后的闭环形态这张图展示的是向量库粗筛 重排器精排的两段式核心向量检索把查询和文档都转成向量按余弦相似度取 Top-K候选粗筛。重排打分用更贵的交叉编码器reranker对候选精排取 Top-N 进上下文。智能体升级Auto-RAG 把要不要再查、查什么交给 LLM 自己规划从静态管道变动态决策。 代表作盘点按六类问题域选型我们按你要解决什么问题归类而不是按时间。每个域给代表作、创新点和适用场景。自适应与纠错检索Self-RAG2023让模型用反思 token 自主决定何时检索、检索是否相关。创新点是把检索从固定动作变成可控行为。适合幻觉率高的开放问答。CRAGCorrective RAG加一个检索评估器打分置信度低就触发网络搜索 分解重组。适合知识快速变化的网页场景。SeaKR靠模型自感知不确定性触发检索并重排。适合不确定该不该查的任务。长文档与多跳推理RAPTOR2024递归构建分层摘要树跨粒度检索。适合报告、书籍级长文档。LongRAG提出长检索器 长读者用 4K token 长单元检索召回率更高。HippoRAG受海马体索引启发知识图谱 个性化 PageRank 做多跳记忆。图结构检索Graph RAG把实体和关系建成图跨文档全局问题靠图遍历而非碎片拼接。GraphRAG实体图 社区主题摘要擅长整体归纳类问题。NodeRAG / GNN-RAG / CatRAG前者用异质节点统一建模后者用图神经网络检索与动态边权重修复语义漂移。智能体 RAGAgentic RAGAuto-RAG2024LLM 驱动迭代检索自己规划查询、按需决定轮数。适合复杂多步任务。MMOA-RAG把改写、检索、过滤、生成都当强化学习智能体对齐全局奖励。Doctor-RAG检测检索失败轨迹并定点修复不整段重来。A-RAG暴露关键词/语义/读块三层检索接口给模型自适应调用。多模态 RAGVideoRAG2025对视频语料动态检索片段联合图文生成。RAG-Anything / RegionRAG统一文本、图像、表格、公式把检索单元细化到图像区域。RULE医疗视觉模型上做可靠多模态检索提升事实性。评估与基准RAGAS2023无标注自动评估检索相关性、忠实度、答案质量。CRAG Benchmark / FRAMES / RGB分别考察动态知识、事实-检索-推理端到端、噪声鲁棒性。RAGElo用 Elo 对战自动给 RAG 方案排名。维度对比速查问题域代表工作核心创新适用场景自适应检索Self-RAG反思token自主检索高幻觉开放QA纠错检索CRAG评估器分解重组网页知识更新长文档多跳RAPTOR分层摘要树报告书籍问答图结构GraphRAG实体图主题摘要跨文档全局问题智能体Auto-RAGLLM迭代规划检索复杂多步任务多模态VideoRAG视频片段检索生成视频图像问答评估RAGAS无标注自动评估系统迭代调优更深的智能体检索见 topics/agents.md 与 research_updates/agentic_search_retrieval_table.md。 如何选型与最小代码落地选型先问三个问题知识更新频率、是否多跳、实体关系强度。决策树如下下面这段是 RAG 最小骨架分块 → 向量检索 Top-K → 拼上下文 → 生成。EMBED处换成真实嵌入模型即可跑通# 这段演示 RAG 最小闭环向量检索 TopK 拼上下文 生成 import numpy as np DOCS [RAG 用检索降低幻觉, GraphRAG 面向多跳全局问题, Agentic RAG 自主规划多轮检索] EMBED np.random.rand(len(DOCS), 8) # TODO: 换成 embedding 模型输出 def retrieve(query, k3): qv np.random.rand(8) # TODO: query 的嵌入 scores EMBED qv top np.argsort(scores)[::-1][:k] return [DOCS[i] for i in top] def rag(query): ctx retrieve(query) # ① 检索 prompt f依据资料回答{query}\n资料{.join(ctx)} return call_llm(prompt) # ② 生成(换成你的 LLM)进阶建议知识稳定、单跳 → 先用朴素 重排性价比最高。多跳、实体多 → 上 Graph RAG需要边查边想→ 上智能体 RAG。上手路线见 resources/RAG_roadmap.md智能体入门见 resources/agentic_rag_101.md。句子窗口检索命中一句、喂整窗是朴素 RAG 最常见的细节优化能明显减少上下文截断趋势判断三条推演用如果…那么…推演不喊口号假设推演结论如果检索接口继续变粗那么固定 Top-K 会被工具规划取代智能体 RAG 成默认形态如果嵌入能携带上下文那么按句隔离编码退场可演化嵌入如 SitEmb/EvoEmbedding吃掉长上下文红利如果评估走向无标注自动化那么 RAGAS 类指标会进入 CIRAG 像单元测试一样可回归收尾你现在有了六类范式的全景、九个代表作的定位和一条最小可跑的落地路径——从 Naive RAG 到智能体 RAG 的选型逻辑已经装进脑子。下一步打开 topics/rag.md 把 RAG 学习路线收藏到清单或直接复制上面的最小代码把你的第一份私有文档喂进检索库。【免费下载链接】awesome-generative-ai-guideA one stop repository for generative AI research updates, interview resources, notebooks and much more!项目地址: https://gitcode.com/GitHub_Trending/aw/awesome-generative-ai-guide创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
