传统 RAG 的缺点及 RAG 优化方向

原创 已于 2025-03-26 13:44:19 修改 · 1.2k 阅读 · 26
于 2025-03-11 13:05:51 首次发布

传统RAG的架构

传统RAG的整体架构如下图所示：

 

核心链路分为三个阶段：

  • 索引（向量嵌入）：通过Embedding模型服务实现文档的向量编码，写入向量数据库。
  • 检索（相似查询）：通过Embedding模型服务实现查询的向量编码，使用相似性查询（ANN）实现topK结果搜索。
  • 生成（文档上下文）：Retriver检索的结果文档作为上下文和问题一起提交给大模型处理

传统RAG的缺点

在《Seven Failure Points When Engineering a Retrieval Augmented Generation System》这篇论文中总结了在构建检索增强生成（RAG）系统时开发者常遇到的七个失败点，并针对每个问题提出了改进建议。

 

这些失败点包括：

  1. 检索数
标签
#人工智能 #RAG #检索增强生成 #RAG技术 #ai
#python #GraphRAG
最低0.47元/天 解锁文章
【AI大模型应用开发】【RAG优化 / 前沿】0. 综述：盘点当前传统RAG流程中存在的问题及优化方法、研究前沿
同学小张的博客
03-07 4658
10个痛点问题，20+优化方法，8个前沿RAG研究。本文我们从RAG的流水线开始，全面梳理了当前传统RAG存在的问题，同时针对每个问题，总结了优化方法。并且，整理了当前前沿的RAG研究。
RAG 与传统生成模型对比研究：优势、劣势及未来发展方向
hy098543的博客
03-18 1010
传统生成模型，如基于循环神经网络（RNN）及其变体（LSTM、GRU）的模型，以及早期的 Transformer 模型（如 GPT-1），主要依赖模型内部的参数化知识来生成文本。在自然语言处理（NLP）领域，文本生成模型历经了长期的发展，从传统的基于规则、统计的模型，逐步演进到基于神经网络的深度学习模型。RAG 模型则具有更强的知识更新能力，只需更新检索所依赖的文本语料库，就能在生成过程中引入最新的知识，无需重新训练整个模型，能够快速适应知识的动态变化。例如，通过改进模型结构，提高对长文本的处理能力；
一文看懂GraphRAG与传统RAG的7大区别及融合方案，你会怎么选择？
m0_63171455的博客
09-04 4727
其借助社区检测算法来识别知识图谱中的多个社区，并利用LLM对这些社区进行总结与摘要。因此，当回答类似这样的问题：“最近几年高端智能手机的整体发展趋势是怎样的？Microsoft GraphRAG会通过Map-Reduce算法首先从多个不同的关联社区（比如不同年份社区）来搜集到“高端智能手机”的信息（Map），最后汇总生成全局性答案（Reduce）。
一文读懂传统RAG、多模态RAG、Agentic RAG与GraphRAG，大模型入门到精通，收藏这篇就足够了！
huang9604的博客
10-17 958
RAG已经不是什么新鲜的概念了，自2023年发展至今也有两年时间了，从最早的传统RAG进化到如今各类更智能的RAG，今天给大家简单介绍下现在用的最多的这四种RAG。
如何优化RAG系统的性能表现？10条实用策略
Baihai_IDP的博客
12-20 2154
检索增强生成(RAG)系统最近备受关注，ChatGPT的火爆更让这类系统成为广泛讨论的热点。我们今天为大家带来的这篇文章，作者Matt Ambrogi的核心观点是：构建一个基本可用的RAG系统非常简单，但要使其达到实际生产可用的程度则异常困难，需要我们投入大量精力。 为此，作者详细介绍了10种策略，包括清洗数据、尝试不同索引类型、优化分块策略、使用 Base Prompt、使用元数据过滤、使用查询路由、研究重排序、使用查询转换、微调嵌入模型、使用 LLM 生态相关工具等，这些策略都可能不同程度地提高RAG
从传统 RAG 到知识图谱 RAG
xx_nm98的博客
06-27 2703
众所周知，大型语言模型 （LLM） 在固定数据集上运行，其知识在上次训练更新时被冻结。ChatGPT 的普通用户可能会认识到众所周知的限制：“截至 2021 年 9 月的训练数据”。这种限制可能导致不准确或过时的响应，因为这些模型会“幻觉”信息。在不进行再培训或微调的情况下，用新信息更新它们或增强上下文理解在资源和人力方面都可能具有挑战性。
Vector | Graph：蚂蚁首个开源Graph RAG框架设计解读
asd8705的专栏
12-10 407
RAG的目标是通过知识库增强内容生成的质量，通常做法是将检索出来的文档作为提示词的上下文，一并提供给大模型让其生成更可靠的答案。更进一步地，RAG的整体链路还可以与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）等技术结合，构成更广义的RAG问答链路。增强训练REALM引入了知识检索器增强大模型预训练，以改进大模型的问答质量和可解释性。增强微调RA-DIT实现了对大模型和检索器的双指令微调，RAFT。
传统 RAG 与 Agentic RAG对比
m0_63171455的博客
01-27 789
1. 传统 RAG 的困境2. Agentic RAG 的创新突破3. Agentic RAG 的优势与应用前景在人工智能快速发展的当下，大语言模型（LLM）技术取得了显著进步，但也面临诸多挑战。检索增强生成（RAG）技术应运而生，为提升语言模型性能提供了新途径。不过，传统 RAG 存在一定局限，而 Agentic RAG 则试图突破这些瓶颈，带来更强大的功能体验。本文将探究二者的差异。
从传统RAG到图 RAG(Graph RAG)：人工智能知识检索系统的演变详细对比
晓的博客
03-09 1549
目前信息的组织和获取方式对于人工智能系统来说至关重要，它将决定AI系统是在简单地提供答案，还是真正理解了问题。在复杂的人工智能知识系统中，这种理解的深度和广度将直接影响系统的性能和效率。因此，文章将介绍传统RAG和图RAG这两种不同的知识检索系统架构，以探讨它们在人工智能领域的演变和发展。
RAG常见七大坑
weixin_43564920的博客
01-27 2034
软件工程师越来越多地使用一种被称为检索增强生成（Retrieval Augmented Generation，RAG）的策略向应用程序添加语义搜索功能。RAG系统涉及查找在语义上与查询匹配的文档，然后将这些文档传递给大型语言模型（LLM），例如ChatGPT，以提取正确的答案。RAG系统的目标是：a）减少LLM产生虚构响应的问题，b）将来源/参考链接到生成的响应，c）消除对文档进行元数据标注的需求。然而，RAG系统存在信息检索系统固有的局限性，并依赖于LLM。
传统 RAG 和 Agentic RAG有什么不同？
m0_56255097的博客
02-01 1728
传统 RAG 侧重于信息的检索与生成，适用于简单场景；而 Agentic RAG 则通过引入智能体，增强了自主决策和动态交互能力，适应更复杂和多变的用户需求。虽然 Agentic RAG 成本较高，但其灵活性和实用性在许多应用中具有明显优势。
12个RAG常见痛点及解决方案
deephub
02-03 5702
我们探讨了在开发RAG管道过程中的12个痛点(其中7个来自论文，另外5个来自我们的总结)，并针对这些痛点提出了相应的解决方案。下面是本文的引用参考作者:Wenqi Glantz。
一文读懂多模态RAG和传统RAG的区别和联系——RAG技术演进
2401_84494441的博客
09-16 1153
本文解析了传统RAG、多模态RAG与Agent智能体之间的维度差异。传统RAG历经多次迭代优化数据处理方式，而多模态RAG实现了真正的技术升级，支持多模态数据，减少信息丢失。Agent智能体则赋予RAG自主决策能力，使其能根据不同场景灵活处理。三者虽属不同维度，但多模态RAG可融合传统RAG技术，Agent可为RAG提供智能化增强，共同推动大模型应用发展。
一文讲清：传统RAG和Agentic RAG实战差异
javatiange的博客
11-06 1027
本文对比分析了两种检索增强生成(RAG)技术模式。传统RAG采用线性"检索-生成"流程，优势是架构简单、响应快速，但难以处理复杂查询。新型的Agentic RAG引入智能体概念，具备动态规划、多工具调用和迭代修正能力，显著提升了复杂推理和回答准确性，适用于金融分析等高阶场景。两种技术各有所长：传统RAG适合简单问答和低延迟需求，Agentic RAG则能解决更复杂的知识整合问题。随着AI大模型发展，Agentic RAG将成为构建高自主性AI系统的关键技术。
LLM之RAG理论（十三）| 传统RAG和Agentic RAG比较
wshzd的博客
01-06 1089
Agentic RAG 代表了信息检索的重大发展，与传统 RAG 相比，它提供了一种更复杂和自主的方法。通过整合 AI 代理，Agentic RAG 系统可以处理复杂的查询，适应不断变化的信息环境，并提供更准确和相关的响应。虽然在复杂性和可靠性方面仍然存在挑战，但 Agentic RAG 的潜在优势是巨大的，为跨各个领域更智能、更高效地访问和利用信息铺平了道路。
RAG技术终极指南：传统、多模态、Agentic、GraphRAG，看这篇就够了！
最新发布
xx_nm98的博客
12-05 1017
RAG已经不是什么新鲜的概念了，自2023年发展至今也有两年时间了，从最早的传统RAG进化到如今各类更智能的RAG，今天给大家简单介绍下现在用的最多的这四种RAG。
rag的缺点
强化学习曾小健
07-01 1298
rag的缺点。
RAG 开发四大痛点及解决方案
Meimei9411的博客
07-31 1208
收录了52个优秀的大模型落地应用案例，这些案例覆盖了金融、医疗、教育、交通、制造等众多领域，无论是对于大模型技术的研究者，还是对于希望了解大模型技术在实际业务中如何应用的业内人士，都具有很高的参考价值。在最初的 RAG 方法中，比较类型的问题表现尤为不佳。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
传统RAG存在的问题以及解决方法
Hanscal
06-28 1343
传统的RAG技术逐渐开始与提示词工程（Prompt Engineering）、模型微调（Fine Tuning）、知识图谱（Knowledge Graph）和智能体（Agent）等技术结合，构成更广义的RAG问答链路框架。PS: 欢迎大家扫码关注公众号，我们一起在AI的世界中探索前行，期待共同进步！
大模型的局限性和 RAG
AI工程化、开源分享、文档翻译、代码笔记
02-23 3004
3、用户问问题，下一步把问题通过Embedding Model向量化，然后从Cache中（向量数据库）查询类似的问题和答案，返回给用户。RAG 将搜索内容通过Embeding Model向量化，然后存储到向量化数据库，然后将形成问题的正文给到LLM，LLM返回应答结果。以上三个模式可以解决不同类型的数据如何让大模型知道的问题，同时在性能和效率上得到了提高，解决了长时记忆的问题，幻觉问题也有很大改善。传统的方式是问题通过解析后形成问题正文然后传导给大模型，大模型完成回答。然后调用LLM完成问题的回答，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

塞大花

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值