LlamaIndex 系列（二）：检索增强生成（RAG）

一、项目背景

大语言模型训练依赖公开互联网数据，企业私有文档、内部业务资料、实时信息通常不在训练数据集中，裸 LLM 会产生幻觉、无法回答业务专属问题。检索增强生成（RAG，Retrieval-Augmented Generation）正是为解决这一问题而生：不修改模型权重，推理阶段先从外部知识库检索资料，再让模型基于真实材料生成回答。

二、技术方案

RAG 的公式表达：LLM + your data = 大模型 + 你的私有/外部数据。

一套基础 RAG 系统由三大核心组件构成：

• 知识库：数据底座。原始文档经解析、清洗、分块、向量化后存入向量数据库
• 检索器：理解用户 Query，从知识库精准召回相似度最高的文本片段
• 生成器（LLM）：基于检索到的真实资料强制作答，不再依赖参数脑补

朴素 RAG 工作流共四步：索引阶段（文档切分+向量化入库）→ 查询阶段（问题向量化+召回片段）→ 组装上下文（Query+参考片段拼装提示词）→ 生成输出（LLM 基于检索资料回答）。

三、系统架构

在上下文工程三层架构中，RAG 属于中层四大系统实现之一：底层复用「上下文检索与生成」「上下文处理」「上下文管理」三大基础组件，上层支撑知识库问答、文档助手等 Agent/AI 应用。

RAG 演进五阶段：

• 2020：Meta 正式提出 RAG 范式，DPR 稠密检索发表
• 2021-2022：REALM、RETRO、WebGPT 验证大规模检索增强可行性
• 2023：ChatGPT 爆发，高级 RAG（查询改写、重排序、混合检索）普及
• 2024-2025：模块化 RAG、GraphRAG、Agentic-RAG 走向动态可编排
• 2026：进入上下文引擎时代，检索成为 Agent 可插拔组件，与超长上下文协同

四、实施过程

按上下文工程综述分类，RAG 有五大实现方案：

• 朴素 RAG：线性流水线，适合简单 FAQ 和小规模 Demo
• 高级 RAG：加查询改写、HyDE、混合检索（BM25+向量）、Rerank 重排序，适合绝大多数企业知识库
• 模块化 RAG：流水线拆成可插拔组件，支持路由、自省、迭代检索（FlashRAG、ComposeRAG）
• 智能体化 RAG：大模型自主决策要不要检索、查什么、查几轮（Self-RAG 为代表）
• 图增强 RAG：抽取实体关系构建知识图谱做多跳推理（GraphRAG、LightRAG、HippoRAG）

主流开源框架（2026 年 8 月 Star 热度）：

• RAGFlow（~88k）：企业复杂文档场景 RAG 引擎，深度文档理解+混合检索+答案溯源
• LlamaIndex（~46k）：RAG 优先开发框架，上百种数据连接器，原生支持 GraphRAG
• LightRAG（~35k）：港大开源轻量化图增强 RAG，双层检索+增量更新
• 腾讯 WeKnora（~20k）：企业级 RAG+ 知识框架，多模态解析+RBAC 权限
• Haystack 2.x（~24k）：企业级模块化 RAG 流水线，DAG 组件化架构
• txtai（~13k）：轻量嵌入式 RAG 库，无需独立向量数据库
• 阿里 PAI-RAG（~0.5k）：Agentic-RAG 企业框架，叠加 ReAct 与 MCP 工具调用

五、应用价值

• 企业内部知识库问答：对接手册、合同、制度、FAQ，员工自然语言查询
• 智能客服与售后机器人：基于真实资料回复，减少幻觉、回答可溯源
• 文档分析助手：法律合同、财报、论文的长文档问答、摘要、条款提取
• 垂直行业助手：金融研报问答、医疗规范查询、政务政策解读
• 工程实践提示：现实项目常组合多种范式，如模块化 RAG + 图检索 + Agent 自省

六、SEO关键词

RAG, 检索增强生成, 知识库问答, 向量检索, GraphRAG, Agentic RAG, RAGFlow, LlamaIndex, 混合检索, 幻觉