正在加载模式…
知识检索（RAG）
信息检索与增强生成模式
30秒速览
- 是什么
- 从外部来源检索相关信息，再将其送入语言模型，以生成有依据、包含最新或专业知识的回答。
- 何时使用
- 需要最新信息、领域专用知识库，或需要在大规模文档集合中做到有出处、事实准确的应用。
- 注意
- 检索质量差就会返回无关信息，无论模型的文本生成能力多强，回答质量都会随之下降。
就这些模式咨询 AI 专家
打开助手并预填您的问题,发送前可先确认。
概览
知识检索模式，尤其是检索增强生成（RAG），通过将预训练知识与从外部来源动态检索到的信息相结合来增强 AI 系统。这一全面的合集囊括了源自最新研究的前沿 RAG 变体：用于关系感知检索的 Graph RAG、用于质量控制的 Self-RAG、用于纠错的 Corrective RAG、用于动态优化的 Adaptive RAG，以及用于跨模态融合的 Multimodal RAG。这些模式使 AI 系统能够以前所未有的精巧性与可靠性，访问最新信息、特定领域的知识库以及与上下文相关的数据。
实际应用与使用场景
高级文档分析：以细粒度精度对复杂文档、法律文本和技术手册进行多层次的分层检索。
事实核查与验证：面向新闻验证、研究核实与错误信息检测的链式验证（chain-of-verification）流程，并附带置信度评分。
知识图谱探索：基于图的检索，用于在科学与商业领域发现关系、进行多跳推理以及以实体为中心的分析。
对话式知识辅助：具备上下文感知能力的对话系统，能够保持会话历史并逐步构建理解。
质量受控的研究：自反思与纠错型 RAG 系统，可为关键应用自动评估并提升检索质量。
多模态信息融合：结合文本、图像、音频与结构化数据进行全面分析的跨模态检索。
自适应领域专长：根据查询复杂度、领域需求与性能约束调整检索策略的动态系统。
企业知识管理：面向不同部门的模块化、可定制 RAG 架构，具备基于角色的访问与专门化生成。
为什么这很重要
知识检索模式代表着 AI 与人类知识融合的前沿，所构建的系统不仅能够访问训练数据之外的信息，而且以前所未有的智能与质量控制来实现这一点。Graph RAG 等先进的 RAG 变体解锁了关系感知推理，Self-RAG 提供自动化的质量保证，Multimodal RAG 则实现跨数据类型的全面理解。这些模式将 AI 从简单的知识查询系统转变为精巧的研究助手，能够进行事实核查、交叉引用与自适应学习。
实施指南
何时使用
- 需要访问最新、动态或频繁变化信息的应用
- 拥有专门知识库的特定领域应用
- 事实准确性与来源标注至关重要的系统
- 处理大型文档集合或数据库的应用
- 仅凭训练数据不足以给出全面回答的场景
- 要求对信息来源与证据保持透明的应用
最佳实践
- 设计高效的索引与搜索策略，以实现快速且相关的检索
- 对知识来源进行恰当的分块（chunking）与预处理
- 采用结合语义相似度与关键词匹配的混合搜索方法
- 设计具备适当过滤与排序机制的检索系统
- 实现来源标注与引用功能以保证透明度
- 利用检索质量指标来优化搜索与排序性能
- 设计能够同时处理结构化与非结构化知识来源的系统
常见陷阱
- 检索质量不佳，导致回答中使用了无关或低质量的信息
- 对检索到的信息处理不足，造成对上下文的误解
- 过度依赖检索，而未与生成能力进行恰当整合
- 未对检索到的信息实施恰当的来源验证与质量控制
- 忽视检索延迟对系统整体性能的影响
- 对无法检索到相关信息的情形处理不当
可用技术
朴素 RAG(NRAG)
遵循传统索引、检索与生成流程的基础性「Retrieve-Read」框架
高级 RAG(ARAG)
在检索前和检索后加入优化的增强型 RAG，包括查询扩展、重排序和上下文整理
模块化 RAG(MRAG)
具备可互换模块的灵活 RAG 架构，支持迭代式、自适应和非顺序的检索模式
Self-RAG(SRAG)
具备自我反思能力的 RAG，能自适应地判断是否需要检索，并通过反思标记评估检索质量
纠错型 RAG（CRAG）(CRAG)
通过质量评估和重新检索，自动检测并纠正低质量检索结果的 RAG 系统
图 RAG(GRAG)
以知识图谱增强的 RAG，利用实体关系和社区检测来处理全局理解类查询
多模态 RAG(MMRAG)
能够处理并整合文本、图像、音频、视频和结构化数据源的检索增强生成
智能体 RAG(AgRAG)
具备自主规划、检索和推理能力的自主检索增强生成系统
潜在知识检索(LKR)
在多智能体的自主式 AI 系统中，基于抽象推理模式而非显式查询来检索信息。
查询变换检索(QTR)
在检索之前重写或扩展用户查询，使嵌入向量落在相关文档附近。HyDE 生成一份假设性的答案文档并对其做嵌入，以找到真实的近邻；多查询扩展会发出多个改写并融合各自的结果；回退式提示（step-back prompting）则将问题抽象化，先检索出背后的基本原理。这些变换无需训练检索器，即可在零样本检索上带来大幅提升。
分层索引检索（RAPTOR）(HIR)
将检索索引构建为多层树，而不是扁平的分块（chunk）列表。RAPTOR 会递归地对分块进行嵌入、聚类和摘要，使查询能够从任意抽象层级进行检索，按需返回全局性的综合结论或叶子节点的细节。Anthropic 的上下文检索（contextual retrieval）在嵌入之前，为每个分块前置一段由 LLM 撰写的上下文说明，使孤立的分块仍能锚定在整篇文档之中。
深度研究智能体(DRA)
一种复合的长周期研究架构：先厘清用户意图，起草一份明确的研究计划，然后在众多来源上运行“搜索、阅读、评估缺口”的迭代循环（通常借助并行的子智能体），最后综合成一份带有行内引用标注的单篇长篇报告。它是 OpenAI Deep Research、Gemini Deep Research 和 Anthropic Research 背后的组合式范型，并已有专门的综述文献。它不同于 `agentic-rag-systems`：后者是在单条流水线内部做检索决策，而非执行多轮、计划驱动的报告综合。它也不同于 `supervisor-worker-pattern`：后者是通用的编排，没有针对研究的计划、缺口检查或引用环节。
结构感知的代码库检索（Repo Map）
面向代码的专门检索，利用程序结构而非嵌入（或与嵌入并用）。仓库通过 tree-sitter 被解析为 AST 以及符号与依赖关系图；文件和符号按图中心性排序（Aider 的 PageRank 加权标签图），图遍历工具会沿调用、定义和导入等边游走（AutoCodeRover 及各类代码图智能体），基于频谱的故障定位则可从失败的测试出发缩小搜索范围。这使得编码智能体能够从远大于其上下文窗口的仓库中，组装出一份精简而相关的上下文。它不同于 `graph-rag`：后者的图是从文档实体而非代码语义构建的。
Patterns Pack
把整个目录带走:MCP服务器、编辑器规则与技能,以及数据。
The Agent Architect
每周一个模式、一个权衡、一个生产事故案例。为构建智能体系统的人准备的每周简报。
每周一封邮件,一键退订。您的地址仅用于发送简报。
由本目录背后的工程师执行
为你的智能体架构做一次评审
本页讲的是一个模式。真实系统会同时跑几十个，而多数故障恰恰出在它们的衔接处。我们按本目录的 288 个模式评审你的整体设计：架构、可靠性、评测与成本，每一条结论都对应到能修复它的模式。
€750（原价 €1,500），一周交付，书面报告加讲解通话，9月30日前