企业官网建设流程全解析

📚 本文收录于「流浪」的系列专栏

🏠 博客主页：流浪 ｜ 📝 原创首发于 CSDN

前面几篇走完了 RAG 的完整链路：文档加载、分块、嵌入、入库，到用户提问、向量化、检索、增强、生成。这条链路是一种「标准做法」，但它并不是唯一做法——RAG 从 2020 年提出到现在，已经分化出一整套范式，每一代都在补上一代暴露出来的短板。本篇按它的发展脉络拆四种基础范式：朴素 RAG、高级 RAG、模块化 RAG、基于图的 RAG，每种都讲清楚它解决什么问题、代价是什么、适合什么场景，最后给出未来可能的发展趋势。

一、朴素 RAG（Naive RAG）

1.1 朴素 RAG 是最基础的检索加生成实现

• Naive RAG 是 RAG 系统最基本的实现：使用单一的全文检索或向量检索，从文档集合中检索出与查询相关的文档，直接将检索到的文档用于增强大模型的生成。
• 它接近最早那篇论文里「先检索再生成」的原始形态，也就是我们前面几篇讲的这条直线链路：切块、嵌入、检索、拼进提示词、生成。
• 它的好处是实现简单、链路短、出问题好排查，而它的三个局限也全都出在这个「简单」上。
  

朴素 RAG 定义了 RAG 的最小骨架，后面所有范式都是在它的骨架上动刀，而不是把它推翻。

1.2 朴素 RAG 的三个局限：语义、效果、优化空间

• 缺乏语义理解：全文匹配依赖词汇匹配，无法捕捉查询与文档之间的语义关联；向量检索受限于间接匹配，语义理解能力也不足。
• 输出效果差：由于缺乏对查询和文档的高级预处理、后处理，召回的文档容易包含过多或过少信息，导致最终生成的回答过于宽泛。
• 效果优化困难：系统过于依赖单一检索技术，没有对查询和文档进行增强，导致优化空间被局限在检索技术本身。

朴素 RAG 的病根不在「检索不到」，而在「检索到的东西没经过任何加工就直接喂给了模型」。

二、高级 RAG（Advanced RAG）

2.1 高级 RAG 从检索前、检索时、检索后三个维度做优化

• Advanced RAG 是对 Naive RAG 各环节进行精细化优化和增强的产物，它从检索前、检索时、检索后三个维度提升效果，引入了大量工程技术。
• 预检索：优化索引策略和查询改写等，让进到检索环节的查询本身更清楚。
• 检索：采用混合检索（如结合向量检索和关键词检索），并引入重排序模型优化结果相关性。
• 后检索：对检索到的内容进行上下文压缩与筛选，把噪声挡在提示词之外。
  

高级 RAG 的核心动作是在检索的两端各加一层处理：进来的查询先被改写，出去的上下文先被压缩和重排。

2.2 高级 RAG 的代价是计算成本与系统复杂度

• 优点：检索质量和生成效果相比 Naive RAG 有显著提升。
• 缺点：计算成本增加，系统复杂度更高，多出来的每一层都要单独调参和观测。
• 适用场景：高精度问答，比如法律、技术文档这类错不起的场景。

高级 RAG 是「在没有重构架构的前提下的最优解」，它改的是环节质量，不动整体结构。

三、模块化 RAG（Modular RAG）

3.1 模块化 RAG 把整条流水线拆成可独立替换的模块

• Modular RAG 的核心是将整个 RAG 流水线拆解为独立的模块，每个模块可以独立开发、升级和替换。
• 它的核心理念是解耦：检索、重排序、生成、路由这些模块各自独立，你可以用不同的嵌入模型、向量数据库、大模型来自由组合，像搭乐高一样构建系统。
• 它超越了传统的线性架构，支持路由、调度和多源融合——也就是说，查询进来之后走哪条路，是可以按情况决定的。
  

模块化 RAG 改的不是某一个环节的质量，而是整条链路的组织方式：从固定流水线变成可编排的组件。

3.2 灵活性的代价是接口与协调的设计成本

• 优点：系统灵活、可插拔，易于扩展和维护，换一个组件不用动全身。
• 缺点：设计更复杂，模块之间的接口和协调需要精心规划。
• 适用场景：复杂的企业级 RAG 系统，需要根据业务需求灵活定制。

模块化换来的是可替换性，代价是你要自己承担架构设计的复杂度。

四、基于图的 RAG（Graph RAG）

4.1 Graph RAG 用实体和关系重新组织被检索的信息

• Graph RAG 由微软研究院提出，它利用知识图谱（KG）来增强检索。知识图谱以节点（实体）和边（关系）的形式组织信息，能清晰展现事物之间的关联。
• GraphRAG 于 2024 年推出，目的是解决大模型的局限性：传统大模型往往难以处理复杂的工作流，尤其是在私有数据或结构化数据的推理上，因为它们缺乏理解实体之间关系的能力。
• GraphRAG 的做法是用图数据库对这些关系进行建模，使系统能够处理复杂的查询、检索上下文信息，并提高生成式 AI 应用的准确性。

Graph RAG 换掉的不是检索算法，而是被检索的对象：从一堆平铺的文本块，变成一张带关系的网。

4.2 Graph RAG 的工作分成索引、检索、生成三步

• 索引：从文档中抽取实体和关系，构建知识图谱并存入图数据库。
• 检索：根据用户查询，在图数据库中进行图遍历（比如 BFS/DFS）或查询，检索出相关的子图或社区作为上下文。
• 生成：将检索到的子图转化为文本，与查询一起输入大模型生成答案。

三步里真正特殊的是第二步：它走的是图遍历，而不是向量距离排序，所以能沿着关系把散落的事实串起来。

4.3 图谱的代价是构建维护成本与数据质量依赖

• 优点：能捕捉复杂关联、实现多跳推理、理解全局语义，答案可解释性强。
• 缺点：图谱构建和维护成本高，而且效果高度依赖数据质量。
• 适用场景：知识图谱问答、科研文献分析、反欺诈等需要复杂关系推理的任务。

Graph RAG 适合的是「答案要靠多个事实串起来才成立」的场景，纯事实查找用它属于杀鸡用牛刀。

五、未来 RAG 的可能发展趋势

5.1 从朴素 RAG 向 Agentic RAG 升级

• RAG 将不再只是一个被动的信息检索工具，而是演变为以代理（Agent）为核心的智能系统。
• Agentic RAG 具备自主规划、推理、工具使用和反思能力，能够主动分析用户意图、拆解复杂问题，并多次迭代检索和生成的过程。

这一条趋势的本质是控制权的转移：由固定流程决定怎么检索，变成由智能体决定要不要检索、去哪儿检索。

5.2 多模态 RAG

• 未来的 RAG 系统将突破文本限制，实现跨模态（文本、图像、视频、音频、图表）的联合检索与生成。
• 比如从 PDF 文档中同时检索出文字和图表，并综合生成包含多模态数据的报告。

多模态 RAG 的难点不在检索，在于不同模态的内容要落在同一个可比较的语义空间里。

5.3 个性化与知识定制

RAG 将能更好地结合用户的个性化信息、历史记录和偏好，为用户提供私有化、个性化的回答，而不仅仅基于通用知识。

个性化把「检索到的通用事实」和「这个用户特有的上下文」合并成同一次回答的依据。

5.4 记忆驱动的实时 RAG

• 传统的 RAG 依赖向量数据库，而未来的 RAG 可能利用大模型的 KV 缓存（Key-Value Cache）作为动态的、长期或短期记忆。
• 这允许模型在对话过程中即时学习新信息并更新知识，实现更高的灵活性和适应性。

这条趋势想解决的是「外部知识库更新有延迟」的问题：把记忆直接放进模型的缓存里，省掉一轮检索。

5.5 轻量化 RAG

优化检索和生成模型，使其能在移动端或边缘设备上运行，比如手机上的智能助手。

轻量化 RAG 的约束从「效果最好」变成了「在有限的算力和内存里跑得动」。

六、本篇小结

• 四种基础范式是一条逐步加码的线：朴素 RAG 打底，高级 RAG 在环节上加优化，模块化 RAG 在架构上做解耦，Graph RAG 换掉检索的底层结构。
• 每一种范式都在解决上一种暴露出来的短板，代价则统一落在成本和复杂度上，没有哪一种是无代价的。
• 想继续往深了看，可以读这篇 RAG 综述：https://arxiv.org/pdf/2501.09136

选范式不是追新，是看你的场景卡在哪一环：检索不准就上高级 RAG，架构要变就上模块化，答案要靠关系串起来就上图。

七、文末面试题（真题）

1. RAG 的发展经历了哪几个阶段？各阶段的核心改进是什么？
   答: 业界通常按 Naive RAG、Advanced RAG、Modular RAG、Graph RAG、Agentic RAG 这条时间线来讲，每个阶段解决的是上一阶段的短板。

• Naive RAG（2020 年）是最早的形态，简单的检索加拼接，作为基线方案存在。
• Advanced RAG（2023–2024）优化分块、元数据、重排序和查询改写，是目前生产环境的主流。
• Modular RAG（2024–2025）走向模块化和可插拔，加入路由、融合、校验。
• Graph RAG（2024 起）用知识图谱加社区摘要处理长文档和企业全量知识，Agentic RAG（2025 起）则走向多智能体协作。
  【真题·转述自 【大模型LLM面试合集】rag（检索增强生成）技术（RAG 发展阶段时间线一节）】

2. Naive RAG 有什么局限？
   答: Naive RAG 是基线架构，检索到相关块之后直接插进提示词生成答案，简单但在规模化之后问题很明显。

• 它可能召回到不相关的块，也会漏掉需要多跳关系才能串起来的答案。
• 检索结果不经过加工就整包塞进提示词，容易把噪声一起喂进去，回答变得宽泛。
• 它的问题不在检索本身，而在检索前后都没有任何加工环节。
  【真题·转述自 What is RAG? Retrieval-augmented generation explained（Naive RAG 一节）】

3. Advanced RAG 在检索前后分别做了什么优化？
   答: 它在基础流水线上加了检索前和检索后两轮优化，这是它和 Naive RAG 最主要的区别。

• 检索前的手段包括查询改写、查询扩展，以及用假设文档嵌入（HyDE）先把问题变成一个更像答案的东西再去检索。
• 检索后的手段包括重排序、上下文压缩、冗余去除和元数据过滤，目的是把噪声挡在提示词之外。
• 它是那些想提升效果、又不想重构整套架构的团队的实际选择。
  【真题·转述自 What is RAG? Retrieval-augmented generation explained（Advanced RAG 一节）】

4. Modular RAG 和 Advanced RAG 的区别是什么？
   答: Advanced RAG 改的是环节质量，Modular RAG 改的是组织方式：它把流水线看成一组可互换的组件。

• 它不再只有一条固定的检索路径，而是可以把查询路由到不同的索引、工具、接口、检索器或者生成器。
• 比如一个客服系统，账单类问题路由到政策库，接口类问题路由到开发者文档，故障类问题路由到实时状态系统。
• 所以它的核心价值是灵活性和可替换性，而不是单点的检索精度。
  【真题·转述自 What is RAG? Retrieval-augmented generation explained（Modular RAG 一节）】

5. Graph RAG 是怎么工作的？它适合什么场景？
   答: Graph RAG 用图结构来改进检索和推理，检索对象不再是平铺的文本块，而是实体、关系、社区和摘要。

• 用图数据库（比如知识图谱）作为主要检索层，替代扁平的向量存储。
• 它能跨实体和关系做多跳推理，在需要把多个文档里的事实串起来才能回答的分析类问题上表现明显更好。
• 典型场景包括法律检索、生物医学关系、调查分析、企业知识发现，微软的 GraphRAG 是这一路线规模化落地的代表。
  【真题·转述自 RAG Explained: How Does It Work in 2026（GraphRAG 一节）】

6. 现在生产环境里主流的 RAG 属于哪一类？
   答: 目前大多数生产 RAG 系统落在 Advanced RAG 这一档：在朴素流程之上加了检索前改写和检索后重排、压缩、过滤。

• 它实现简单但推理能力有限，规模化之后容易受上下文污染和幻觉影响，所以生产环境普遍不会停在朴素形态。
• 面向企业智能体的场景，主导模式正在转向 Agentic RAG：由多个专用智能体并行处理查询分解、检索、校验和综合。
• 所以判断标准不是「哪一种最新」，而是你的场景需要的是稳定可控的问答，还是需要能自主拆解任务的智能体。
  【真题·转述自 RAG Explained: How Does It Work in 2026（RAG 各范式与 Agentic RAG 一节）】

💬 这四种范式里，最容易踩坑的是一上来就选最复杂的那个——图谱和智能体都不是免费午餐。你项目里现在停在哪一档、是什么把你逼到那一档的，评论区聊聊。