主要观点：

• 检索增强生成（RAG）是大型语言模型的技术，可通过将外部数据检索纳入生成过程来增强文本生成。
• 从简单 RAG 到 Agentic RAG 等一系列架构不断演进，各架构解决特定问题，如记忆上下文、智能检索源、处理模糊查询等。
• 不同 RAG 架构适用于不同应用需求，简单架构易实现适用于简单任务，高级架构能力强但更复杂，需根据实际情况选择。

关键信息：

• 简单 RAG 从静态知识源检索相关文档生成基于检索信息的响应，存在无记忆上下文的局限性。
• 带记忆的简单 RAG 增加记忆组件，可保留先前交互信息，解决基本 RAG 的上下文限制。
• 分支 RAG 可将查询路由到不同知识源，提高检索效率和相关性。
• HyDe 在搜索知识库前创建假设文档嵌入，引导检索相关文档，解决模糊或难匹配查询问题。
• 自适应 RAG 根据查询复杂度调整检索策略，优化速度与深度的平衡。
• 纠错 RAG 对检索到的文档进行自我检查和精炼，解决检索信息误导或不足的问题。
• 自驱动 RAG 在生成答案时进行自我检索，解决答案构建中不可预见的信息需求。
• 智能体 RAG 作为高级多智能体检索架构，可进行多步推理并与多个数据源或工具交互，处理复杂查询。

重要细节：

• 简单 RAG 工作流为用户提供查询，系统从数据库检索相关文档，LLM 基于这些文档生成响应，适用于有界静态信息集的领域。
• 带记忆的简单 RAG 工作流为用户提交查询，系统先访问记忆获取先前信息，再检索新信息，生成包含过去和新信息的答案，适用于聊天机器人等场景。
• 分支 RAG 工作流为分析用户查询，决定最相关的知识源，仅查询所选源并生成答案，适用于处理多个领域或大型异构语料库。
• HyDe 工作流为用户提供提示，系统生成假设文档表示并转换为嵌入向量，检索相似的实际文档，用于研究等场景。
• 自适应 RAG 工作流为用户提交查询，分析其复杂度并选择不同检索模式，根据查询调整检索量和来源，适用于企业搜索等场景。
• 纠错 RAG 工作流为检索后将文档分解为知识条并评估相关性，若不满足阈值则进行额外检索，适用于高风险或准确性关键的应用。
• 自驱动 RAG 工作流为用户提问，系统初始检索后在生成答案时检测知识差距，自我检索补充信息，适用于探索性任务等场景。
• 智能体 RAG 工作流为用户提交复杂查询，系统激活为代理生成多个子任务，各子代理检索或计算后由元代理合成最终答案，适用于开放研究等场景。