[AI 分享] RAG四代演進史

 [AI 分享] RAG四代演進史

摘要：從向量檢索到Agentic RAG，梳理RAG 1.0到4.0的核心能力、問題與升級方向。

內容:

RAG如果還停留在單純的向量檢索階段，整體架構可能已經落後。目前相關研究已經把RAG的演進大致梳理成幾個階段，包含 Native RAG、Advanced RAG、Modular RAG，以及最新走向 Agent 時代的 Agentic RAG。這些框架不只是技術升級，也代表系統從「能查資料」走向「能規劃、能反思、能自主執行」。

第一代 RAG，可以理解為最典型的三段式架構：先建立索引，把 QA 文件、商品說明、售後政策切塊後向量化存入資料庫；接著在使用者提問時進行檢索，找出最相關的幾段內容；最後把檢索結果與問題一起交給模型生成答案。這種方式容易落地，但問題也很明顯。第一，向量檢索依賴語意相似度，像「換新」可能會誤召回「回收政策」這種看似相關、實際無關的內容。第二，資訊常分散在多份文件中，一次檢索可能只找到部分內容，導致答案不完整。第三，不同時間版本的文件可能互相矛盾，模型在拼接後容易產生前後不一致的回答。

第二代 Advanced RAG，主要是針對「檢索前」與「檢索後」兩端做強化。在檢索前，先透過查詢改寫、問題擴寫、澄清，讓原本隨意的提問變得更清楚，也可以先讓模型生成一段假設性答案，再用這段答案去檢索，因為答案語意往往更接近真正需要的知識。此外，也會搭配更精細的切塊策略與後設資料標籤，提升索引品質。在檢索後，則加入重排序模型，從較大的候選集裡重新評分，選出真正最有用的內容；同時結合向量檢索與關鍵詞檢索，兼顧語意理解與專有名詞精準匹配。這一代能大幅提升準確率，但本質上仍是固定流程，面對多步驟、跨領域問題時仍顯得吃力。

第三代 Modular RAG，則是把整個 RAG 系統拆成多個可自由組合的功能模組，突破固定流程限制。系統可以依據問題型別透過路由模組決定查詢哪個資料來源，用記憶模組保留歷史對話，再透過融合模組整合多來源結果、去重與合併資訊。更重要的是，檢索方式不再只能一次完成，而是能支援迭代檢索、自適應檢索，甚至先查目錄再查內容的階層式檢索。像同時涉及配送、退貨與運費的問題，就能拆成多輪逐步處理。這讓系統真正具備應對複雜諮詢的能力。

在這之間，還有一個值得單獨提出的方向是 Graph RAG。它不是單純哪一代的自然升級，而是補強傳統向量 RAG 不擅長的多跳推理與關係分析場景。這類方法會先從資料中抽取實體與關係，建構知識圖譜，而不是只切塊做向量索引。查詢時也不只是比對相似片段，而是在圖譜上做推理，例如從商品找到品牌，再連到設計師，最後延伸到設計師的其他作品。這種方式適合需要理解複雜關聯的任務，但建圖成本高、查詢速度也較慢，因此目前實際採用的公司還不算多。有些系統會把向量 RAG 與 Graph RAG 混合使用，讓日常查詢走向量檢索，深度關係分析再交給圖譜處理。

第四代 Agentic RAG，則是目前更進一步的演化方向。它不再只是被動地「你問我答」，而是讓系統具備規劃、拆解、工具調用與自我評估能力。當使用者提出一個複雜需求時，系統會先理解任務本身，再制定搜尋與執行計畫，決定先查什麼、後查什麼，以及該用哪些工具。它不只會檢索，也會對自己的結果做檢查，如果發現答案不夠完整或不夠好，會主動補充檢索、重新生成，直到達到要求為止。以推薦手機給不熟悉科技產品的長輩，並順便提供教學方式這類任務為例，Agentic RAG 能先拆成「推薦產品」與「教學方案」兩個子任務，再分別搜尋、整合與輸出。

整體來看，RAG 的演進邏輯非常清楚：第一代解決的是「把知識接進模型」；第二代強化的是「怎麼查得更準」；第三代處理的是「怎麼更靈活地應對複雜問題」；第四代則走向「讓系統具備自主規劃與反思能力」。如果現在對 RAG 的理解還停留在向量資料庫加大模型，那確實已經不足以應對更高階的應用場景了。