外观
RAG架构
RAG架构
介绍
检索增强生成（RAG）的核心思想：将检索与生成相结合，以生成基于上下文的、有理有据的答案。RAG 通常包含两个阶段：
- Indexing（构建知识库阶段）：将原始文档加载、切分、嵌入并存入向量数据库。
- Retrieval & Generation（检索知识库与生成阶段）：接收用户查询 → 检索相关文档片段 → 将其与问题一起送入 LLM 生成答案。
LangChain 支持多种 RAG 架构，适用于不同场景。三种典型架构：2-Step RAG、Agentic RAG 和 Hybrid RAG。
2-Step RAG
两步 RAG
- 流程：用户提问 → 检索相关文档 → 将文档 + 问题送入 LLM 生成答案。
- 优点：
- 实现简单，调试容易。
- 延迟可预测（通常只需一次 LLM 调用）。
- 缺点：
- 无法处理需要多轮检索或推理的问题。
- 对模糊或复杂查询效果有限。
- 适合：静态知识库、明确问题（如“产品手册中如何重置密码？”）
Agentic RAG
智能体 RAG
- 流程：LLM 智能体在推理过程中主动调用检索工具（如查数据库、爬网页），像人类一样“边想边查”。
- 优点：
- 支持复杂、多跳推理。
- 可结合多种工具（API、SQL、文件等）。
- 缺点：
- 控制难度大，可能产生冗余或错误调用。
- 延迟不可控（取决于智能体决策步数）。
- 适合：开放式研究、跨源信息整合（如“比较 A 和 B 公司最近的财报趋势”）
Hybrid RAG
混合 RAG
- 流程：在 2-Step 基础上引入反馈与验证机制，例如：
- 查询改写：将模糊问题转为多个清晰子查询。
- 检索验证：判断召回结果是否足够相关，否则重新检索。
- 答案校验：检查生成内容是否忠实于原文，必要时重生成。
- 优点：
- 平衡了效率与准确性。
- 支持质量控制和迭代优化。
- 缺点：
- 系统更复杂，开发维护成本高。
- 适合：医疗、金融等高可靠性要求场景，或用户问题表述不清的系统。
混合检索
注意区别混合检索（Hybrid Retrieval）与 混合 RAG（Hybrid RAG）。混合检索不等同于混合 RAG 。
| 术语 | 本质 |
|---|---|
| 混合检索 | “怎么找” —— 用多种检索方法（关键词+语义）提高召回质量 |
| 混合 RAG | “怎么用” —— 用智能流程（验证、重试、修正）提高答案可靠性 |
RAG架构对比
| 架构类型 | 描述 | 控制性 | 灵活性 | 延迟 | 典型应用场景 |
|---|---|---|---|---|---|
| 2-Step RAG | 先检索，再生成。流程固定、简单直接。 | 高 | 低 | 低 | FAQ问答、文档客服机器人 |
| Agentic RAG | LLM 智能体自主决定何时、如何检索（如调用工具），动态推理。 | 低 | 高 | 可变 | 研究助手、多工具复杂任务 |
| Hybrid RAG | 结合两者优点，加入查询改写、检索验证、答案校验等中间步骤。 | 中 | 中 | 可变 | 领域专业问答、需质量保障的系统 |