八大RAG架构全解析：从基础实现到智能体工作流的完整实践指南

本文解析henry0hai在GitHub开源的rag-research项目，该项目实现了从Naive RAG到Agentic RAG的8种主流RAG架构，覆盖基础实现、路由与图计算、多模态与智能体三个层次，为开发者提供本地部署参考与架构选型依据。

RAG技术是解决LLM幻觉、知识时效性及领域适配问题的核心方案。rag-research项目专注本地部署，基于Ollama实现离线推理，深度整合LangChain与LangGraph框架，采用模块化设计，每个架构独立实现便于学习对比，还包含Mermaid流程图展示数据流。

• Naive RAG: 最简范式，用户查询转向量后在Chroma向量库搜索，结合上下文与LLM生成答案，适合结构清晰、意图明确的场景。
• Hybrid RAG: 融合稠密向量检索与稀疏BM25关键词检索，通过倒数排序融合重排结果，提升技术文档召回率。
• HyDE: 生成假设性答案并嵌入，用假设文档检索真实文档，弥合用户查询与文档的语义鸿沟。

• Corrective RAG: 引入质量控制，用LangGraph StateGraph评估检索文档质量，不达标则自动补充网络搜索信息，适用于高准确性场景。
• Adaptive RAG: 前置查询分类（直接LLM回答、向量搜索、网络搜索），智能路由以降低延迟与token消耗。
• Graph RAG: 构建知识图谱（NetworkX）显式建模实体关系，通过图谱遍历实现多跳推理，适合关系型数据分析。

• Multimodal RAG: 处理图像，用视觉LLM生成图像摘要存入向量库，原始图像以base64存储，检索时结合图像与查询生成答案。
• Agentic RAG: 基于LangGraph ReAct模式，配备向量搜索、网络搜索等工具，自主循环决策调用工具，解决复杂多步推理任务。

应用场景	推荐架构	理由
内部知识库问答	Naive/Hybrid RAG	实现简单，响应快速
技术文档检索	Hybrid RAG	兼顾语义和关键词匹配
用户术语不熟悉的领域	HyDE	弥合查询与文档的语义鸿沟
高准确性要求	CRAG	动态质量控制和外部补充
成本敏感的生产环境	Adaptive RAG	智能路由降低token消耗
关系型数据分析	Graph RAG	多跳推理和显式关系建模
含图表/图像的知识库	Multimodal RAG	统一的文本视觉处理
复杂多步推理任务	Agentic RAG	自主工具调用和决策

rag-research项目提供渐进式学习路径，帮助开发者理解各架构的问题解决与复杂度取舍。同时展示现代LLM应用工程实践：uv依赖管理、Makefile标准化命令、模块化单元测试、LLM-as-a-Judge自动化评估流程，这些细节对生产部署至关重要。