📚 RAG 技术完全指�?2025

🛠�?RAG 开发框�?/h2>

LangChain

最流行

全栈 RAG 框架

最流行�?LLM 应用开发框架，提供完整�?RAG 工具链，文档加载器、分割器、向量存储、检索器一应俱全�?

Python/JS 100+ 集成 LangSmith LangGraph

访问官网

LlamaIndex

RAG 专精

数据索引框架

专注�?RAG 的数据框架，特别擅长复杂数据结构的索引和查询，支持图索引、树索引等高级检索�?

数据连接�?/span> 高级索引 查询引擎 Agent

访问官网

Haystack

企业�?/span>

端到�?NLP 框架

deepset 出品的企业级 NLP 框架，Pipeline 设计灵活，支持混合检索，生产环境稳定�?

Pipeline 混合检�?/span> 企业支持 评估工具

访问官网

RAGFlow

开�?/span>

开�?RAG 引擎

国产开�?RAG 引擎，深度文档理解能力强，支持复杂格式解析，可视化知识库管理�?

深度解析 可视�?/span> 多格�?/span> 本地部署

GitHub

Dify

开�?/span>

LLMOps 平台

开源的 LLM 应用开发平台，可视化编�?RAG 流程，支持多种模型，内置知识库管理�?

可视化编�?/span> 知识�?/span> 多模�?/span> API 部署

访问官网

FastGPT

开�?/span>

知识库问答平�?/div>

国产开源知识库问答系统，开箱即用，支持可视化流程编排，适合快速搭建企业知识库�?

开箱即�?/span> 流程编排 多租�?/span> 插件系统

访问官网

💾 向量数据�?/h2>

Pinecone

云服�?/span>

托管向量数据�?/div>

最流行的托管向量数据库，无需运维，性能优秀，企业级可靠性�?/div>

Serverless 高性能 混合搜索

访问官网

Milvus

开�?/span>

分布式向量数据库

云原生向量数据库，支持万亿级向量，性能卓越，Zilliz 提供云服务�?

万亿�?/span> 云原�?/span> GPU 加�?/span>

访问官网

Weaviate

开�?/span>

AI 原生向量数据�?/div>

AI 原生设计，支持多模态，内置向量化模块，GraphQL 接口友好�?/div>

多模�?/span> 内置向量�?/span> GraphQL

访问官网

Qdrant

开�?/span>

高性能向量数据�?/div>

Rust 编写的高性能向量数据库，过滤功能强大，资源占用低�?/div>

Rust 高性能 过滤�?/span>

访问官网

Chroma

开�?/span>

轻量向量数据�?/div>

开发者友好的嵌入式向量数据库，API 简洁，适合快速原型开发�?/div>

嵌入�?/span> 简单易�?/span> 开发友�?/span>

访问官网

pgvector

开�?/span>

PostgreSQL 扩展

PostgreSQL 的向量搜索扩展，无需额外数据库，适合已有 PG 基础设施的团队�?

PostgreSQL SQL 兼容 易集�?/span>

GitHub

🔢 Embedding 模型

模型	维度	提供�?/th>	特点	开�?/th>
text-embedding-3-large	3072	OpenAI	性能最佳，支持维度缩减	�?/td>
voyage-3	1024	Voyage AI	检索优化，MTEB 领先	�?/td>
bge-m3	1024	BAAI (智源)	多语言，稀�?稠密	�?/td>
e5-mistral-7b	4096	Microsoft	基于 LLM，效果优秀	�?/td>
jina-embeddings-v3	1024	Jina AI	8K 上下文，多任�?/td>	�?/td>
mxbai-embed-large	1024	Mixedbread	Matryoshka，二进制量化	�?/td>

📖 核心概念

📄 Chunking 分块策略

将长文档切分为适合检索的小块。常用策略：固定大小、语义分块、递归分块。块大小通常 200-1000 tokens，需考虑重叠�?

🔍 Hybrid Search 混合检�?/h4>

结合向量相似度搜索（语义）和关键词搜索（BM25），兼顾语义理解和精确匹配，效果优于单一检索�?

📊 Reranking 重排�?/h4>

使用 Cross-Encoder 对初检结果重新排序，提升召回质量。常用模型：Cohere Rerank、bge-reranker�?

🔄 Query Transformation

改写用户查询以提升检索效果。技术包括：HyDE（假设文档）、Query Expansion、Multi-Query�?

🧠 Contextual Retrieval

Anthropic 提出，为每个 chunk 添加上下文说明，显著提升检索准确率，减�?49% 检索失败�?

📈 Evaluation 评估

关键指标：召回率、精确率、MRR、NDCG。评估框架：RAGAS、TruLens。需要构建标注数据集�?

💻 代码示例

# 使用 LangChain 构建简�?RAG 系统 from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_openai import OpenAIEmbeddings, ChatOpenAI from langchain_community.vectorstores import Chroma from langchain.chains import RetrievalQA # 1. 加载文档 loader = PyPDFLoader ( "document.pdf" ) documents = loader. load () # 2. 文本分块 text_splitter = RecursiveCharacterTextSplitter ( chunk_size= 500 , chunk_overlap= 50 ) chunks = text_splitter. split_documents (documents) # 3. 创建向量存储 embeddings = OpenAIEmbeddings () vectorstore = Chroma. from_documents (chunks, embeddings) # 4. 构建 RAG �?/span> llm = ChatOpenAI (model= "gpt-4o" ) qa_chain = RetrievalQA.from_chain_type ( llm=llm, retriever=vectorstore. as_retriever (search_kwargs={ "k" : 3 }) ) # 5. 查询 response = qa_chain. invoke ( "这份文档的主要内容是什么？" )

�?高级 RAG 技�?/h2>

🌲 Graph RAG

结合知识图谱，捕获实体间关系。适合需要推理的复杂查询，Microsoft 已开�?GraphRAG�?/p>

🔄 Agentic RAG

使用 AI Agent 动态规划检索策略，可以迭代检索、多跳推理，处理复杂问题�?/p>

📝 Self-RAG

模型自我反思检索需求和结果质量，决定是否需要检索、评估检索结果是否相关�?/p>

🎯 CRAG (Corrective RAG)

评估检索文档相关性，触发网络搜索补充，自动纠正低质量检索结果�?/p>

💡 RAG 最佳实�?/h4>

• 分块策略�?/strong> 根据文档类型选择分块方式，代码用语法树，文章用语义分�?
• Embedding 选择�?/strong> 多语言�?bge-m3，英文用 voyage-3 �?OpenAI
• 混合检索： 向量检�?+ BM25 通常比单一检索效果提�?10-20%
• Reranking�?/strong> 初检 top-20，重排后�?top-5，平衡召回和精度
• Prompt 工程�?/strong> 明确指示模型只基于检索内容回答，承认不知�?
• 评估先行�?/strong> 先构建评估数据集，用数据驱动优化，避免盲目调�?
• 监控上线�?/strong> 记录检索日志，追踪低质量回答，持续迭代改进

🚀 开始构建你�?RAG 应用

选择合适的工具栈，快速搭建智能问答系�?/p>

LangChain LlamaIndex Dify