RAG（检索增强生成）通过融合外部知识库与LLM生成能力，解决了传统大模型的知识滞后性、幻觉问题。但RAG并非固定架构，而是一套可动态组合的技术体系。本文将拆解三类策略、17种实现方案，并给出工程选型指南。
基础分块（Simple RAG）
原理：文本→向量化→TopK检索→拼接生成
痛点：易割裂语义连续性
语义分块（Semantic Chunking）
使用句法树/NLP模型动态切割，保留完整语义单元
关键技术：Transformer Embedding + 动态窗口
上下文增强（Context Enriched）
为每个块添加前后邻居段落，组成"上下文块"
优势：提升长文档推理连贯性
块头标签（Contextual Headers）
提取标题/章节名作为元数据嵌入向量
适用场景：技术手册、法律文书等结构化文档
文档增强（Augmentation）
构建多视图数据：摘要+正文+元数据
工具推荐：ChunkRAG的多向量索引
# 伪代码示例：多视图向量化 doc_views = [extract_summary(doc), doc.body, doc.metadata] embeddings = [embed(view) for view in doc_views]
查询改写（Query Transformation）
用LLM生成同义问题，扩大检索覆盖面
LangChain实现：MultiQueryRetriever
重排序（Reranker）
对TopK结果用Cross-Encoder二次打分
模型选择：Cohere Reranker (精度↑30%)
相关片段提取（RSE）
在长段落中定位关键句子
技术方案：BERT + Pointer Network
# RSE核心逻辑 relevant_span = pointer_net(question, retrieved_chunk)
上下文压缩（Contextual Compression）
剔除无关文本，降低token消耗
LangChain组件：ContextCompressor
反馈闭环（Feedback Loop）
用户点击数据→训练排序模型
适用场景：智能客服对话日志
自适应路由（Adaptive RAG）
根据问题类型动态选择检索策略
实现方案：LangChain Router
自我决策（Self RAG）
LLM判断是否需外部检索
Prompt设计示例： [系统] 请评估：能否直接回答该问题？若不能，请说明所需信息。
知识图谱融合（Knowledge Graph）
文档→三元组→图谱推理
工具链：Neo4j + TransE嵌入
多级索引（Hierarchical Indices）
构建文档树形索引，分层检索
FAISS优化：Nested Indexing
假设文档嵌入（HyDE）
生成理想答案→反向检索支撑材料
解决碎片化文档难题
笔者建议：实际需根据数据规模、响应延迟、预算综合设计
RAG系统的核心竞争力在于模块化组合能力：
文档分块决定知识表示质量
检索排序影响信息命中精度
反馈机制驱动系统持续进化
