RAG范式发展[一R]检索增强生成（RAG）三大组件🥇检索器（Retriever）：从外部数据源（如向量数据库、知识图谱或网页）中搜索与查询相关的信息；🥈增强器（Augmenter）：对检索结果进行筛选、排序和整合，提取最相关的片段；🥉生成器（Generator）：将增强后的上下文与大模型的预训练知识结合，生成自然语言回答。 [二R]基础范式（Naive RAG）🎖特性：✅索引阶段：文档分块后编码为向量，构建检索库；✅检索阶段：基于相似度匹配前k个相关文本块；✅生成阶段：将检索结果作为上下文输入大模型生成答案。🏅适用：简单问答、事实性查询（如开放域问答）。 [三R]高级范式（Advanced RAG）🏆简介：在基础范式上优化检索效率与生成质量，增加检索前处理（如查询重写）和检索后处理（如重排）。🎖特性：✅检索前增强：通过查询扩展或路径选择缩小语义差异；✅检索后增强：对结果重排序以过滤噪声或冗余信息；✅生成优化：结合压缩或总结技术提升上下文利用率。🏅适用：需要高精度答案的场景（如医疗诊断、法律咨询）。 [四R]模块化范式（Modular RAG）🏆简介：突破传统框架的模块化设计，支持灵活组合功能模块（如多路检索、强化学习）。🎖特性：✅可定制性：根据任务需求集成不同模块（如搜索引擎、多答案融合）；✅动态流程：支持迭代检索、自适应检索等复杂策略；✅技术融合：结合微调、知识蒸馏等技术提升性能。🏅适用：复杂多任务场景（如个性化推荐、跨模态生成）。 [五R]图增强范式（Graph RAG）🏆简介：结合知识图谱（KG）技术，强化实体间关系推理，提升检索的语义深度。🎖特性：✅结构化索引：从文本中提取实体与关系构建知识图谱；✅社区检测：识别语义社区以支持全局检索；✅混合检索：同时利用结构化图谱与非结构化文本块。🏅适用：需要全局语义理解的复杂查询（如新闻事件分析、科研文献综述）。 [六R]自主代理范式（Agentic RAG）🏆简介：引入AI代理机制，通过动态决策与迭代优化实现自主式检索生成。🎖特性：✅目标导向：代理根据任务目标主动规划检索路径；✅动态调整：通过反馈循环优化检索策略（如重新查询或调用工具）；✅多步推理：支持复杂问题拆解与多轮迭代生成。🏅适用：需长期交互与动态调整的任务（如智能客服、复杂决策支持）。