Handbook · 第 4 章
RAG：给 Agent 接一个外挂大脑
从朴素 RAG 到 Agentic RAG，构建可扩展的知识增强系统
章节大纲
4.1 什么是 RAG
- Retrieval-Augmented Generation
- 让 LLM 查资料后再回答
- 解决“知识截止日期”和“幻觉”
4.2 朴素 RAG 的流程
- 文档切块（Chunking）
- Embedding 向量化
- 存入向量库
- 用户提问 → 检索 top-k
- 拼进 Prompt → LLM 生成
4.3 朴素 RAG 的问题
- 切块粒度：太大不精准，太小丢上下文
- 单轮检索：复杂问题需要多次查询
- 无法组合信息源
- 检索准确率天花板
4.4 Agentic RAG：Agent 自己决定怎么查
- 查询改写（Query Rewriting）
- 多轮检索（Multi-hop）
- 工具选择（选文档库、SQL、Web 搜索）
- 结果验证
4.5 RAG 的三大组件
- Retriever：检索器（BM25 + 向量 + 混合）
- Reranker：重排（Cohere Rerank / BGE Reranker）
- Generator：生成（LLM + Prompt 工程）
4.6 常见 RAG 模式
- Naive RAG
- Advanced RAG（预处理+后处理）
- Modular RAG（可插拔组件）
- GraphRAG（知识图谱）
4.7 实操：搭一个可用的 RAG
- 文档源：Markdown/PDF/网页
- 向量库：Chroma 本地方案
- 检索策略：混合检索
- 效果评估
本章为大纲版本，正文待补充。