本文通过图解的方式详细剖析 RAG 的8种架构：简单 RAG、多模态 RAG、HyDE、校正型 RAG、图 RAG、混合 RAG、自适应 RAG、智能体型 RAG。

下文我们详细剖析之。

8种 RAG 架构设计剖析

RAG 的8种架构如下图所示：

1）简单 RAG 架构设计『Naive RAG』

根据查询向量与存储向量之间的向量相似度检索文档。

最适合简单的、基于事实的查询，直接语义匹配就足够了。

2）多模态 RAG 架构设计『Multimodal RAG』

通过跨模态嵌入和检索来处理多种数据类型（文本、图像、音频等）。

非常适合跨模态检索任务，比如：用文本查询来获取既有文本又有图像上下文的答案。

3）HyDE 假设文档嵌入架构设计『Hypothetical Document Embeddings』

查询与文档在语义上并不相似。

这种技术会在检索之前从查询中生成一个假设的答案文档。

利用这个生成文档的嵌入来找到更相关的实际文档。

4）校正型 RAG 架构设计『Corrective RAG』

通过与可信来源（比如：网络搜索）进行比较来验证检索结果。

确保信息是最新的并且准确的，在传递给大语言模型之前会过滤或纠正检索到的内容。

5）图 RAG 架构设计『Graph RAG』

将检索到的内容转换为知识图谱，以捕捉关系和实体。

通过为大语言模型提供结构化的上下文以及原始文本，增强推理能力。

6）混合 RAG 架构设计『Hybrid RAG』

在一个流程中结合密集向量检索和基于图的检索。

当任务需要同时使用非结构化文本和结构化关系数据以获得更丰富的答案时非常有用。

7）自适应 RAG 架构设计『Adaptive RAG』

动态决定查询是需要简单的直接检索，还是需要多步推理链。

将复杂的查询分解为更小的子查询，以提高覆盖范围和准确性。

8）智能体型 RAG 架构设计『Agentic RAG』

使用具有规划、推理（ReAct、CoT）和记忆能力的 AI 智能体来协调从多个来源的检索。

最适合需要使用工具、外部 API 或结合多种 RAG 技术的复杂工作流程。

你最常用哪种 RAG 架构？

如何学习AI大模型？

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

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人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓