RAG 即检索增强生成（Retrieval - Augmented Generation ），是一种结合检索技术和生成模型的人工智能方法。
Weaviate 是一个开源的向量数据库， 面向的就是RAG使用场景，给出了七种RAG架构cheat sheet。
RAG 分为两个阶段：索引阶段 和 查询阶段，每个阶段都有硬核技术加持！💡
索引阶段 📂
Embedding model：嵌入模型，把数据变成低维向量，计算机秒懂！ Generative model：生成模型，文本、图像随便生成，创意无限！ Reranker model：重排序模型，检索结果重新排，相关性拉满！ Vector database：向量数据库，存储向量数据，检索快到飞起！ Prompt template：提示模板，指导模型生成特定格式，输出超精准！
查询阶段 🔍
Multimodal embedding model：多模态嵌入模型，图像、文本全搞定，统一嵌入表示！ Multimodal generative model：多模态生成模型，多种数据结合生成，输出超丰富！ LLM Graph Generator：大语言模型图生成器，生成图结构数据，复杂关系轻松搞定！ Graph database：图数据库，存储图结构数据，图查询操作超高效！ AI agent：AI 代理，代表用户执行任务，决策交互超智能！
7 种 RAG 架构 🧩
以下是Weaviate官方总结的七种RAG（Retrieval-Augmented Generation）架构的核心要点速查表，涵盖核心原理、优缺点及适用场景。
1. Naive RAG（朴素RAG）
核心原理：基于文档分块检索，直接将检索结果输入生成模型生成答案，包含检索模块（向量/关键词搜索）和生成模块（LLM）。 优点：简单易实现、低延迟、模块化设计。 缺点：检索结果质量不稳定、缺乏上下文整合、易受噪声影响。 适用场景：基础问答、小型知识库、对精度要求不高的场景。
2. Retrieve-and-Rerank RAG（检索与重排序RAG）
核心原理：在Naive RAG基础上增加重排序模块（如Cross-Encoder或BERT模型），优化检索结果相关性。 优点：提升生成质量、减少噪声干扰、支持领域优化（如法律/医学）。 缺点：计算成本增加、依赖重排序模型性能。 适用场景：高精度问答（法律文档、技术文档）。
3. Multimodal RAG（多模态RAG）
核心原理：支持多模态数据（文本、图像、视频等）的检索与生成，利用跨模态模型（如CLIP）对齐语义。 优点：信息表达丰富、支持跨模态查询（如图像问答）、增强上下文理解。 缺点：实现复杂、计算资源消耗高、需多模态训练数据。 适用场景：电商推荐、医疗影像分析、多模态内容生成。
4. Graph RAG（图RAG）
核心原理：利用图数据库（如Neo4j）存储实体关系，通过图查询实现多跳推理和语义关联检索。 优点：捕捉复杂关系（因果、层级）、支持动态更新、增强推理能力。 缺点：图构建和维护成本高、依赖图数据质量。 适用场景：知识图谱问答、科研文献分析、复杂关系推理（医学/法律）。
5. Hybrid RAG（混合RAG）
核心原理：结合多种检索策略（如向量检索+关键词检索+图检索），融合结果后生成答案。 优点：检索覆盖率高、灵活适配多场景、抗噪声能力强。 缺点：系统复杂度高、需协调多模块权重。 适用场景：知识库质量参差不齐、需多策略互补的场景。
6. Agentic RAG (Router)（路由RAG）
核心原理：通过智能路由器（基于LLM）动态分配查询至不同模块（如专用知识库、API等）。 优点：动态负载均衡、支持多数据源、模块扩展性强。 缺点：路由策略设计复杂、多模块整合难度高。 适用场景：多任务类型（跨API/数据库）、企业知识管理。
7. Agentic RAG (Multi-Agent)（多智能体RAG）
核心原理：多个智能体协同处理任务（如并行检索数据库、搜索引擎、邮件系统），整合结果生成答案。 优点：高度模块化、并行处理效率高、支持复杂任务自动化。 缺点：代理协作机制复杂、通信开销大。 适用场景：超大规模任务（多轮对话、跨工具协作）。
对架构选择的建议
基础场景：优先选择Naive RAG或Retrieve-and-Rerank，平衡速度与精度。 多模态需求：采用Multimodal RAG，结合CLIP等跨模态模型。 复杂关系推理：Graph RAG或Hybrid RAG更适合知识图谱和结构化数据。 动态任务分配：Agentic RAG系列适用于多数据源、多工具集成的企业级应用。
扩展工具与资源
Weaviate部署：通过Docker快速部署并集成LangChain实现RAG流程。 优化技巧：使用混合搜索（ alpha参数调优）、查询重写（Query Rewriting）、自剪枝（Autocut）提升生成质量。开源框架：参考TrustRAG项目实现模块化设计。
Spring Boot 集成 LLM 的 RAG（Retrieval-Augmented Generation）架构框架、技术选型与核心工作流
Springboot使用RAG的流程一般是这样的：
用户请求 → Spring Boot 应用 → 检索模块（Weaviate） → 生成模块（LLM） → 返回回答
↑
数据预处理（分块/向量化） → 向量数据库
RAG 系统分为三大核心模块
数据预处理模块
负责文档加载、解析（PDF/Word/HTML等）、分块（按段落、句子或固定长度）和向量化。 支持多模态数据（文本、图像等）的分块和向量生成。
检索模块
基于向量数据库（如 Weaviate）实现语义搜索，支持混合检索（向量+关键词）。 可选重排序（Reranking）模块优化检索结果。
生成模块
集成大语言模型（LLM），将检索到的上下文与用户查询结合生成最终回答。 支持多种 LLM 服务（如 OpenAI、本地部署的 Llama 3 等）。
核心工作流
1. 数据准备阶段
文档解析：从本地文件、数据库或 API 加载原始文档。 分块处理：根据语义或固定长度切割文档，保留元数据（来源、时间等）。 向量生成：调用嵌入模型（如 OpenAI text-embedding-3-small）生成块向量。向量存储：将向量与原始文本存入向量数据库，建立索引。
2. 用户查询阶段
查询向量化：将用户输入转换为向量。 上下文检索：
通过向量数据库检索 Top-K 相关文档块。 可选重排序模型（如 Cohere Rerank）优化结果。
3. 回答生成阶段
Prompt 构建：将用户查询与检索结果组合为 LLM 输入，例如：
“基于以下上下文回答问题：
[上下文1] ...
[上下文2] ...
问题：{用户输入}”
模型调用：发送 Prompt 至 LLM，配置生成参数（温度值、最大长度等）。 结果后处理：过滤敏感内容、格式化输出（如 Markdown 表格、列表）。
技术选型建议
1. 向量数据库
Weaviate：支持多模态、内置混合搜索（BM25 + 向量）、低延迟，适合复杂查询场景。 Qdrant：轻量级、高吞吐量，适合中小规模部署。 Milvus：分布式架构，适合超大规模数据（亿级向量）。
2. LLM 服务
云端 API：OpenAI GPT、DeepSeek。 本地部署：Ollama、vLLM。
3. 数据分块策略
固定长度分块：简单但可能破坏语义（如 512 字符）。 语义分块：基于 NLP 模型（如 Sentence-BERT）识别段落边界。 多粒度分块：结合粗粒度（文档级）和细粒度（段落级）提升召回率。
4. 检索策略
纯向量检索：适合语义相关性强的场景（如问答）。 混合检索：结合向量与关键词（BM25），提升多样性和覆盖率。 图增强检索：集成知识图谱（如 Neo4j）支持多跳推理。
扩展与优化方向
性能优化 :
异步处理分块和向量生成。 缓存高频查询结果（如 Redis）。
质量提升 :
引入自检机制（Self-RAG）让 LLM 评估自身回答的可靠性。 动态调整检索范围（如小范围精确检索 + 大范围兜底检索）。
安全与合规 :
敏感信息过滤（如 PII 数据脱敏）。 审计日志记录查询和生成过程。
