MVP 聚技站｜一文道尽 RAG，为大模型提供你的私有知识
内容提要
本文介绍了RAG（Retrieval-augmented Generation）技术，它是对大型语言模型输出进行优化，引用训练数据来源之外的权威知识库。RAG包括Vector RAG、Search RAG、FAQ RAG、Graph RAG、DB RAG和Internet RAG等多种方案，每种方案适用于不同的场景和数据源。文章还提到了微软最有价值专家（MVP）奖项，该奖项是微软授予第三方技术专业人士的全球奖项。
延伸解读
RAG 的本质：检索是核心，而非生成
文章强调，RAG 的核心在于检索（Retrieval），即解决“数据从哪里来”和“如何召回正确的数据”两个问题。大模型本身的知识是固化的，且可能产生不符合企业私域知识体系的幻觉。通过检索外部知识片段并增强（Augmented）到提示中，可以优化生成（Generation）质量。但需注意，大模型不会完全依赖提供的私域片段，若认为不足，仍可能融合自身知识或忽略片段。
不同 RAG 方案的选择：场景决定技术路线
文章列举了六种 RAG 方案：Vector RAG 适合开放性问答，但面临 chunk 大小、文档布局转换等挑战；Search RAG 适合需要全文检索的场景；FAQ RAG 适合预设提问，其中 BERT FAQ 输出控制更精确，Vector FAQ 召回更丰富；Graph RAG 擅长全局性推理，但构建和维护成本高；DB RAG 适合结构化数据，Chat2SQL 灵活但有注入风险，Chat2API 安全但需预定义；Internet RAG 利用外部数据，需注意搜索引擎返回的是摘要而非全文。
Graph RAG 的挑战：并非所有知识都适合图谱
Graph RAG 虽能解决 Vector RAG 在全局推理上的不足，但文章指出其四大挑战：一是并非所有文档都能有意义地构建为三元组，需有明确实体和关系；二是 Graph 网络结构定义不同，消耗的 Token 和召回信息也不同；三是大模型自动构建的三元组质量不足，需人工审阅，工作量大；四是知识源更新时需全局重构，可能修改已审计信息，需更多干预。
多路 RAG 与成本优化：Agent 调度与模型选择
文章提出，可以在一个知识库中组合多种 RAG 方案，使用 Agent 根据资料和场景调度合适的 Retriever。若预算允许，可将相同资料分别用 Vector RAG 和 Search RAG 存储，并用大模型对返回上下文做质量检测，优选后提交最终推理。此外，在多路方案中，Agent 和 Retriever 可使用成本较低的模型（如 GPT-4o mini），以平衡效果与开销。
Q&A
RAG技术的主要功能是什么？
RAG技术通过引用权威知识库来优化大型语言模型的输出，增强生成质量。
RAG有哪些不同的方案？
RAG包括Vector RAG、Search RAG、FAQ RAG、Graph RAG、DB RAG和Internet RAG等多种方案。
Vector RAG适合什么场景？
Vector RAG适合电商推荐等场景，利用高维空间中的向量表示数据。
Graph RAG的优势是什么？
Graph RAG能够全局性地推理知识库中的信息，减少冗余，提高信息的清晰度。
DB RAG如何从数据库中获取知识？
DB RAG通过Chat2SQL和Chat2API两种方式从结构化数据库中获取企业知识。
微软最有价值专家（MVP）奖项的目的是什么？
MVP奖项旨在表彰在技术社区中分享专业知识和经验的技术专家。
