很多人第一次接触RAG，往往只记住“检索增强生成”这几个字。但真正落地后就会发现，RAG并不是把知识库接到大模型上这么简单。笔者结合这份演进脉络，想用一篇短文讲清楚：RAG为什么会从1.0一路走到4.0，以及不同阶段到底适合什么场景。

01 | RAG 1.0到4.0，升级的核心逻辑是什么

第一代是 Naive RAG，结构很直接，就是“向量索引→近似检索→生成答案”三段式。它的问题也最典型：会出现检索偏差，比如“换新”误检到“回收”；拿回来的信息容易碎片化；甚至可能把相互矛盾的内容直接拼到答案里。这一代的准确率大约在60%。

第二代是 Advanced RAG，核心是把优化做到了检索前后两端。

① 检索前怎么优化

可以做查询改写，也可以先生成一个“假设答案”再反向去检索，还能通过更精细的索引方式提升召回质量。

② 检索后怎么优化

常见做法是加入重排序模型，并把向量检索和关键词检索结合起来，也就是混合检索。

这套双轨优化带来的结果很直接：准确率可以提升到80%，在电商客服场景里，80%的问题已经能够解决。

第三代是 Modular RAG。这一阶段的关键不是再补一个小功能，而是进入模块化设计。它会把路由、记忆、融合这些能力拆出来，形成更灵活的系统；检索方式也从“一次取回”变成“边检索边生成”的迭代式，或者根据问题复杂度按需扩展的自适应检索。带来的突破是：复杂问题解决率翻倍，准确率达到85%。

第四代是 Agentic RAG，也就是带有自主决策能力的智能体式RAG。它不只是检索信息，而是能完成“需求拆解→计划制定→工具调度→自我校验”的完整过程。比如面对“为孩子选学习机+使用指南”这样的复合需求，它已经不只是回答，而是在组织完成任务。不过代价也很清楚：多轮检索会带来更明显的响应延迟。

02 | Graph RAG为什么重要，但又不能乱上

在主线演进之外，Graph RAG 是一个很重要的分支方向。它的思路不是只做语义相似检索，而是先构建实体关系网络，再在图谱上做推理，比如从“商品→品牌→设计师”一路往下关联。

它特别适合处理多层关系查询，这是普通RAG不擅长的地方。但问题也很现实：构图成本很高，达到普通RAG的10到20倍，所以它往往不会单独使用，而是和向量检索协同配合。

03 | 企业落地时，应该怎么选型

真正做技术选型，不能只看“哪一代更先进”，而要看三个维度。

第一，看用户容忍度。Agentic RAG更聪明，但多轮检索意味着更长等待时间，智能程度和响应速度必须平衡。

第二，看问题复杂度。如果只是简单查询，Advanced RAG通常已经够用；只有遇到复杂、多跳的问题时，Modular RAG或Agentic RAG的价值才会真正体现出来。

第三，看成本预算。Graph RAG虽然强，但构建成本很高，投入要足够理性。

从落地建议来看，电商客服场景用Advanced RAG，已经能覆盖80%到90%的问题；金融风控更适合引入Graph RAG处理多层关系；如果是企业级复杂系统，可以考虑Agentic RAG，但前提是要提前做好性能优化。

关注我，和AI一起成长~