架构名称 | 核心原理 | 优点 | 缺点 | 适应场景 |
Naive RAG | 基于文档分块，通过检索机制获取相关内容，直接将结果输入生成模型生成答案。 >> 文本分块、检索机制、生成模型 | 简单易实现，计算成本低。 | 容易出现事实错误或语义不一致，无法处理复杂的上下文管理任务。 | 基础的问答任务，对精度要求不高，数据量较小的情况。 |
Retrieve-and-rerank | 在基础RAG上新增重排序模块，对检索结果重新排序优化其相关性，确保生成模型输入更加相关的上下文信息。 >> 初步检索、重排序模型、生成模型 | 可以提高检索结果的准确性，减少噪声数据的影响。 | 计算成本相对较高，需要设计有效的重排序算法。 | 高精度问答，如法律文档、技术文档的精准查询和回答。 |
Multimodal RAG | 支持多模态输入（文本、图像、视频等），利用多模态嵌入和生成模型进行检索和生成。 >> 文本与图像处理、模态融合 | 能够处理和理解多模态数据，适配能力强，可提高生成结果的准确性和丰富性。 | 实现复杂，计算成本高，需要大量的多模态数据。 | 涉及图片、视频等多模态数据的问答，如电商推荐、图像描述生成、视频问答。 |
Graph RAG | 将文档表示为图结构(图数据库)，通过图节点和边(图神经网络)的关联挖掘文档之间的语义和逻辑关系，强化上下文关系理解。 >> 图数据库、知识图谱、语义关联 | 可以有效地捕捉文档之间的关联关系，提高检索结果的准确性。 | 需要构建和维护图数据库，计算成本相对较高。 | 需要处理文档之间关系的任务，例如知识图谱问答、复杂关系推理（如医学或科研领域）。适用于知识推理场景。 |
Hybrid RAG | 结合多种检索策略（例如关键词检索、语义向量检索等）进行检索和生成。 >> 图结构、传统检索、知识融合 | 可以提高检索结果的多样性和覆盖率。 | 实现复杂，需要协调多种检索方法。 | 需要同时考虑多种检索策略才能更好地满足需求的场景。 |
Agentic RAG (Router) | 利用路由机制，根据查询动态选择检索源和生成模型，针对性地生成响应。 >> AI Agent、智能路由、资源选择 | 动态选择能力强，资源利用效率高，能够应对多变的任务需求。 | 路由策略设计较复杂，对任务分类准确性依赖高。 | 多数据源、多任务类型场景，如需要跨API、数据库和生成模型的集成应用。 |
Agentic RAG (Multi-Agent) | 利用多个AI Agent分别负责不同的检索任务或数据源，多代理协作，每个代理专注于不同的数据源或任务（如搜索引擎、企业应用、邮件系统等，然后将结果整合到一起生成答案。 >> 多智能体、任务分配、工具协作 | 高度模块化，强大的并行处理多个检索任务，适应性极高，高效率。 | 代理之间的协调较复杂，对系统设计和通信机制要求高。 | 超复杂的大规模任务，需要多个代理协同完成的场景，例如多轮对话、复杂推理等。 |
