核心要点

  • 能给出演进脉络：Naive RAG → Advanced RAG → Modular RAG，三段式回答最稳

  • 能讲清 Advanced RAG：在固定流水线上加预检索（query 改写、扩展、路由）和后检索（rerank、上下文压缩、去冗余）优化

  • 能讲清 Modular RAG：把检索、记忆、路由、融合、生成拆成可替换、可编排的模块，支持迭代、条件分支与 Agentic 循环

  • 能列举复杂范式：迭代检索、递归/自反思 RAG（Self-RAG、CRAG 纠错）、GraphRAG、Agentic RAG、HyDE，并知道各自解决什么问题

标准回答

Naive RAG：起点

最朴素的 RAG 是「检索-生成」两步：用户问题做一次向量检索，把召回片段拼进 Prompt，让 LLM 生成答案。简单直接，但召回不准、片段冗余、问题表述差时无从纠正，容易答非所问。

Advanced RAG：在流水线两端做优化

Advanced RAG 仍是固定流水线，但在检索前后各加一层增强。预检索侧做 query 改写、查询扩展、子问题分解、以及把问题路由到合适的索引或数据源；后检索侧对召回结果做 rerank 精排、上下文压缩与去冗余，把最相关的内容塞进有限的上下文窗口。目标是在不改变整体结构的前提下，提升召回质量和上下文利用率。

Modular RAG：从流水线到可编排模块

Modular RAG 是范式层面的升级：它把检索、记忆、路由、融合、重排、生成等环节抽象成可替换、可编排的模块，不再是单向直线流水线。模块之间可以构成迭代循环、条件分支，甚至嵌入 Agentic 决策——由模型动态决定走哪条路径、是否再检索一次。这让 RAG 能灵活适配多源、多步、需纠错的复杂任务。

更复杂的范式有哪些

  • 迭代检索：多轮「检索-生成-再检索」，用上一轮的中间结论指导下一轮查询，适合多跳问答。
  • 自反思 RAG（Self-RAG / CRAG）：模型对检索内容和自己的输出做评估，CRAG 在检索质量差时触发纠正（如改写后重检索或转外部搜索），降低幻觉。
  • GraphRAG：基于知识图谱组织语料，靠实体与关系做结构化检索与全局摘要，擅长跨文档、需要全局视角的问题。
  • Agentic RAG：由 LLM Agent 自主决策何时检索、查什么源、是否再查，是 Modular 思想的 Agent 化落地。
  • HyDE（假设性文档嵌入）：先让模型生成一个假设答案，再用它的 embedding 去检索，缓解短问题与长文档之间的语义鸿沟。

回答时按「Naive → Advanced → Modular」给清演进主线，再把这些复杂范式挂到 Modular 的可编排能力上，逻辑就立得住。

常见误区

⚠️ 常见踩坑

别把 Advanced RAG 和 Modular RAG 混为一谈。Advanced RAG 只是在固定流水线两端加优化模块，主干仍是单向直线；Modular RAG 的关键是模块可编排、可循环、可条件分支，结构本身被打开了。也别一上来就堆 GraphRAG、Self-RAG 等名词而讲不清演进逻辑和各自要解决的痛点。

追问

追问 1：Self-RAG 和 CRAG 有什么区别？

Self-RAG 训练模型用反思 token 自评「是否需要检索、检索内容是否相关、输出是否有支撑」，把评估内建到生成里；CRAG（Corrective RAG）侧重纠错，用一个轻量评估器判断检索质量，质量差时触发查询改写、知识精炼或转外部网页搜索。前者偏自评驱动，后者偏检索质量兜底。

追问 2：GraphRAG 相比向量 RAG 适合什么场景？

GraphRAG 把语料构建成实体-关系知识图谱，擅长需要跨多篇文档综合、关注实体间关系、或要全局摘要的问题（如「整个语料里 X 和 Y 是什么关系」）。普通向量 RAG 擅长局部、单点的事实查询。代价是建图与维护成本高，通常二者结合使用。

追问 3：从 Naive RAG 升级到 Modular RAG 需要付出什么代价？

复杂度、延迟和成本都上升：多模块编排带来更多调用与状态管理，迭代和 Agentic 循环会放大 Token 消耗与响应时间，调试与可观测性难度也更大。应按需演进——先把 Advanced RAG 的改写、rerank 做扎实，确有多步、多源、需纠错的需求再上 Modular。

🔗 相似问题

同一考点的不同问法，面试官可能换着问，一起刷更稳

没找到想看的面试题？把你想看的告诉我们 →

延伸学习

按主题分类的相关资源，便于系统复习

核心术语

查看更多 →

AI 工具

查看更多 →