【AIGC】大模型面试高频考点19：常见的17种RAG方案

RAG技术全景解析：从基础分块到自适应多模态检索

• 一、基础分块与语义优化
  • 1. Simple RAG（简单切块）
  • 2. Semantic Chunking（语义切块）
  • 3. Context Enriched Retrieval（上下文增强检索）
  • 4. Contextual Chunk Headers（上下文标题）
• 二、检索优化与重排序
  • 1. Document Augmentation（文档增强）
  • 2. Query Transformation（查询转换）
  • 3. Reranker（重排序）
  • 4. RSE（Re-ranking with Semantic Expansion）
• 三、智能路由与自反思机制
  • 1. Feedback Loop（反馈闭环）
  • 2. Adaptive RAG（自适应检索增强生成）
  • 3. Self RAG（自反思检索增强生成）
• 四、结构化与多源融合
  • 1. Knowledge Graph（知识图谱）
  • 2. Hierarchical Indices（层次化索引）
  • 3. HyDE（假设文档嵌入）
  • 4. Fusion（融合检索）
• 五、纠错与多模态扩展
  • 1. CRAG（纠错型 RAG）
  • 2. Multi-Model RAG（多模态检索增强生成）
• 六、总结与展望

近年来，随着大语言模型（LLM）的广泛应用，检索增强生成（Retrieval-Augmented Generation，RAG）系统逐渐成为连接私有知识库与智能问答的核心架构。RAG 不仅弥补了大模型在实时性与事实性上的不足，也通过多种技术路径不断演进，形成了丰富的方法体系。

本文基于一份内部技术评估表，系统梳理了当前主流的 RAG 技术路线，并对其核心思路、实现难度与应用场景进行解读。

一、基础分块与语义优化

1. Simple RAG（简单切块）

核心思路：将文档按固定长度切分为多个 chunk，直接用于检索。 切分策略包括：按字数切块、按分句切块、按分段切块
优点：实现简单，适合小规模项目或初步验证。
局限：容易割裂语义，导致上下文丢失。

示例：

回答用户的问题：“北京有什么著名的景点？”