“RAG的架构虽然有所不同，但其原理都是相同的，都是通过检索来增强模型的生成能力，只不过在不同的环节做了不同的优化。”
从事RAG技术的工作也有一两年时间了，但在此之间都是这学一点那学一点，感觉自己好像什么都会，但从来没有对整个RAG系统进行过梳理。
所以，今天就从RAG的迭代过程开始梳理一下RAG的架构升级过程，了解不同种类RAG的区别和联系，以及适用场景。
RAG的几种类型
从技术的本质来说，RAG就是检索增强生成，重要的就是检索和生成；但技术毕竟在不断的发展和迭代，因此RAG的架构也经过多次迭代。
以下是RAG迭代过程中的几种架构类型：
Naive RAG：基础RAG
Advanced RAG：高级RAG
Modular RAG：模块化RAG
- Graph RAG：图RAG
- Agentic RAG：智能体RAG
这几种RAG虽然从架构和实现上有所区别，但其本质上还是一样的；所以我们需要学习不同RAG架构之间的区别，但也要通过表象看到RAG的本质。
Naive Rag
其实想了解RAG的技术原理，基础RAG是最好的选择，因为其是RAG最初的版本；但受限于当时的技术和理论，因此基础RAG现在已经很少使用了，可能也就在刚开始学习的时候了解一下。
基础RAG的流程就是，通过相似度检索的方式召回相关数据，然后丢给模型进行增强生成；但这里有个问题就是，基础RAG的召回策略和生成过程都很简单，在真实的业务场景中测试效果都不怎么好。
Advanced Rag
高级RAG是在Naive Rag的基础之上做了功能升级；比如说刚开始学习RAG的时候，就知道把问题直接向量化，然后丢给向量库进行相似度检索；但在实际场景中发现召回率不足，也不准确。
因此，高级RAG就是在Naive Rag的基础之上做了优化；比如说召回优化，增加问题改写，知识库优化，提升文档的拆分质量，以及生成优化，把召回的文档进行重排序，格式化等操作。
Modular Rag
模块化Rag其实就更好理解了，在基于RAG的智能问答场景中，我们发现文档不但来源复杂，而且格式也很复杂；而且在不同的业务场景中需要使用不同的文档处理流程和召回策略。
比如说有些场景的主要文档格式是word/pdf，而有些场景的文档格式是excel/csv，还有是一些数据库和API。
这时，为了降低系统的开发和维护成本，就需要对不同的功能进行模块化开发，这样在不同的场景中选择不同的模块即可，而不用每次都重新开发。
Graph Rag
图Rag和上面的几种RAG架构的唯一区别就是其存储介质的不同，Graph Rag使用的是基于知识图谱的方式来组织和存储数据；这种方式在某些业务场景中具有更好的效果，比如说查询家庭成员关系，组织架构等。
由于图结构天生适合处理这种复杂的数据关系，因此Graph Rag在这种场景中具备天然的优势。
Agentic Rag
智能体RAG又被称为主动式RAG，上面几种RAG不论怎么设计，其都是基于根据用户问题进行数据召回，然后根据召回结果进行增强生成，这个流程是固定的。
但Agentic Rag是基于智能体实现的架构模式，其主要就是利用大模型独立思考和规划的能力，可以根据用户的问题自行判断是否需要进行数据召回。如果遇到一些简单的问题或者模型能够自己解决的问题，那么就可以避免召回的过程，以提升用户体验和响应速度。
因此，以上几种RAG架构，并没有跳出RAG的基本理论范畴，只不过在不同的环节上对RAG进行了优化，最终的目的都是为了提升模型的生成效果，解决用户问题。
但虽然RAG有多种不同的技术架构，但这些架构之间并不是非此即彼的关系，不同的架构之间可以互相协调，以此增强RAG的效果。
想学习RAG技术，这里提供了一份RAG实操代码案例，感兴趣的可以点击查看：
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2025 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
