RAG（检索增强生成）
| 分类 | 🧠 基础概念 |
| 阅读时间 | ⏱️ 19 分钟 |
| 更新时间 | 📅 2026-06-30 |
| 条目编号 | ENC-CONCEPT-03-rag |
关键要点 ✦
- RAG 三阶段流程：检索（Retrieve）→ 增强（Augment）→ 生成（Generate）
- 向量检索 + 关键词检索（Hybrid Search）是 2026 年最主流的 RAG 方案
- RAG 能有效降低 LLM 幻觉，但检索质量（Recall）仍是最大瓶颈
- Agentic RAG 将 Agent 的推理能力与 RAG 结合，支持多轮检索和工具调用
- 2026 年 Chunk 策略已从固定长度演进为语义分块（Semantic Chunking）
详细解释
RAG（Retrieval-Augmented Generation，检索增强生成）是 AI Agent 生态中最重要的技术范式之一。它解决了 LLM 的两个核心痛点：知识时效性和事实准确性（幻觉）。
RAG 的工作流程分为三个阶段：
1. 检索（Retrieve）：根据用户查询，从外部知识库（向量数据库、文档库、API）中搜索最相关的信息片段。
2. 增强（Augment）：将检索到的信息与原始查询一起构造为增强的上下文。
3. 生成（Generate）：LLM 基于增强后的上下文生成回答，引用检索到的具体信息。
关键技术
文档分块（Chunking）：将长文档切分为适当大小的片段。2026 年主流采用语义分块（Semantic Chunking），根据文本的自然语义边界切分，而非固定长度。
向量嵌入（Embedding）：将文本片段转换为高维向量，用于语义相似度检索。主流嵌入模型包括 OpenAI text-embedding-3、Cohere Embed v3。
混合检索（Hybrid Search）：结合向量检索（语义相似度）和关键词检索（BM25 算法），是 2026 年最主流的方案。
重排序（Re-ranking）：对检索结果进行二次排序，提升最相关文档在上下文中的位置。
Agentic RAG：下一代 RAG
传统 RAG 是单次检索-生成的线性流程。Agentic RAG 将 Agent 的推理能力融入其中：Agent 可以多轮检索（根据中间结果决定下一步）、查询重写（将模糊的用户问题转化为精确的检索查询）、工具链调用（除检索外还能调用计算器、API 等工具）。Agentic RAG 的准确率比传统 RAG 提升了约 25%。
🎯 应用场景
✅ 最佳实践
- 使用语义分块（Semantic Chunking）而非固定长度分块
- 混合检索（向量 + BM25 关键词）准确率比纯向量检索高 10-15%
- 引入重排序（Re-ranking）步骤，提升检索结果的相关度
🔮 未来展望
Agentic RAG（结合 Agent 推理的 RAG）将在 2027 年成为主流。Agent 不再被动检索，而是能根据任务上下文自主决定检索策略。