第13章 · RAG 进化树

你在 AI 搜索的三年演变 里看到过这个词。它听起来很学术，但做的事情很简单：先搜资料，再让 AI 根据资料回答。 这篇讲这个技术怎么从简单变复杂的。

你每次用 AI 搜索（比如 Perplexity——一个专门的 AI 搜索引擎，搜完资料后 AI 帮你总结成完整答案；或 ChatGPT 内置的联网搜索功能——对话时勾选搜索按钮 ChatGPT 就会先搜资料再回答），背后跑的就是 RAG。你问问题，系统搜资料，AI 总结答案——三代混合检索是最常见的做法。理解了 RAG 的这五代演变，你就理解了 AI 搜索是怎么做到的——从简单的关键词匹配，到 AI 自己决定搜什么。

生活比喻：RAG 像开卷考试——AI 是考生，但它脑子里的知识（训练数据）有截止日期，2024 年之后的事它不知道。RAG 就是给考生发一本实时更新的参考书（检索外部资料），让它先翻书找答案，再结合自己的理解来回答。这样答案既有依据又有时效性，不会瞎编。

本章目录

1. 13.1 为什么需要 RAG
2. 13.2 RAG 系统架构
3. 13.3 分块策略 —— RAG 的地基
4. 13.4 第一代：关键词搜索（稀疏检索）
5. 13.5 第二代：语义搜索（稠密检索）
6. 13.6 第三代：混合检索
7. 13.7 重排序 —— 提升精度的关键
8. 13.8 生成阶段 —— 让 LLM 用上检索结果
9. 13.9 第四代：AI 自己决定怎么搜（Agentic RAG）
10. 13.10 第五代：知识图谱辅助（Graph RAG）
11. 13.12 RAG 高级技术
12. 13.13 RAG 评估
13. 13.14 RAG vs 微调 vs 长上下文
14. 13.15 RAG 生产部署
15. 13.16 动手搭一个 RAG

五代总览

（说明：这五代分类是一个教学框架，帮你理解演变逻辑，不是学术界的官方分类。）

graph TD
    Need{需要更新知识?} -->|频繁更新| RAG[RAG]
    Need -->|知识固定| Train{有训练资源?}
    Train -->|有GPU| Finetune[微调]
    Train -->|无GPU| RAG
    RAG --> Hybrid{需要精确事实?}
    Hybrid -->|是| GraphRAG[Graph RAG]
    Hybrid -->|否| Standard[标准RAG]

相关笔记

• AI 搜索的三年演变 — RAG 在产品层的表现
• AI 应用层知识图谱 — 第二条演化轴就是 RAG 进化树

跨章节关联

• 第14章 · Agent 是怎么工作的 — Agentic RAG（第四代）：AI 自己决定怎么搜
• 第10章 · LLM 原理与架构演进 — LLM 的三大局限驱动了 RAG 的诞生
• 第11章 · 模型微调 — RAG vs 微调 vs 长上下文：三种方案的选择

来源

• Meta, “Faiss: A library for efficient similarity search”, 2017, https://engineering.fb.com/2017/03/29/data-infrastructure/faiss-a-library-for-efficient-similarity-search/
• Elastic, “Vector Search Introduction”, https://www.elastic.co/search-labs/cn/blog/introduction-to-vector-search
• 火山引擎, “AI 跑车引擎——向量数据库”, https://developer.volcengine.com/articles/7382278528115343369
• Lewis et al., “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks”, 2020, https://arxiv.org/abs/2005.11401
• Microsoft, Graph RAG, 2024