MVP 聚技站｜Multi RAG：企业级 RAG 的重要架构
内容提要
在企业知识应用中，联合RAG技术可以实现不同知识库的复用和共享。主从召回模式以主知识库为基石，放弃冲突的从知识库内容；集群召回模式逐一输出每个知识库的描述，提供更全面的信息。分布式推理模式要求子应用独立完成RAG过程，再汇聚到主应用进行推理；集中式推理模式由主应用进行推理，子应用仅负责召回。在选择模型、装载策略和数据关系时需考虑不同数据结构和质量。最后，可以根据实际需求组合不同策略来实施Multi RAG。
延伸解读
主从与集群召回：冲突处理与信息互补
主从召回模式以主知识库为基石，当从知识库内容冲突时直接放弃从库信息，适合需要权威统一答案的场景，如产品知识问答。集群召回模式则平等对待各知识库，逐一输出不同见解，提供更全面的信息，适合法规与历史记录、多部门政策等需要综合多源信息的场景。选择时需权衡答案的权威性与全面性。
分布式与集中式推理：成本、性能与全局性权衡
分布式推理由子应用独立完成RAG并汇聚结果，主应用算力稳定、开发简单，但大模型成本分摊导致跨部门结算复杂，且主应用缺少全局信息。集中式推理由子应用仅负责召回，主应用统一推理，成本计算简单、推理能力一致且更具全局性，但需设计装载策略以在有限Token内装入最有效信息。企业应根据成本、性能与全局性需求选择。
集中式推理的装载策略：模型选择与数据优先级
集中式推理中，主应用需处理不同子应用返回的异构召回数据。建议选择Token最大、推理能力最强的模型。信息装载按质量梯队优先：第一梯队为数据行、API JSON和三元组；第二梯队为FAQ；第三梯队为Vector和Search，其中Search需苛刻甄选；第四梯队为Internet。对于不同向量库的TopK，可采用轮巡装载方式，避免简单距离值比较。
数据关系策略：引用、副本与导入的适用场景
主应用与子应用的数据关系影响知识管理。引用方式最简单，子应用数据变更会同步影响主应用，但子应用召回质量直接影响最终推理。副本方式约定当前数据为副本，后续子应用变更不影响主应用，但推理或召回仍由子应用实现。导入方式将子应用数据全部导入主应用统一检索召回，适合低成本集中推理方案，但实现复杂。企业可根据管理需求选择。
Q&A
什么是联合RAG技术？
联合RAG技术可以实现不同知识库的复用和共享。
主从召回模式的工作原理是什么？
主从召回模式以主知识库为基石，放弃与主知识库冲突的从知识库内容。
集群召回模式如何提供信息？
集群召回模式逐一输出每个知识库的描述，提供更全面的信息。
分布式推理模式的优势是什么？
分布式推理模式允许每个子应用独立完成RAG过程，主应用再汇聚结果，算力资源规划稳定。
集中式推理模式的主要特点是什么？
集中式推理模式由主应用进行推理，子应用仅负责召回，确保推理能力一致。
在实施Multi RAG时需要考虑哪些策略？
实施Multi RAG时需组合召回冲突定义策略、推理策略和数据关系策略。
