百度 Agent 岗一面：你知道哪些更复杂的 RAG 范式？

📌 一句话摘要

本文以面试问答形式，系统梳理了 RAG 范式的三代演进（Naive/Advanced/Modular）及四种高级范式（Self-RAG、CRAG、GraphRAG、Agentic RAG），深入解析了每种范式解决的痛点、核心机制与适用场景。

📝 详细摘要

文章以百度 Agent 岗位面试为背景，通过面试官与候选人的对话引出对 RAG 范式深度的考察。作者首先指出 Advanced RAG 并非终点，并系统介绍了 RAG 的三代演进：Naive RAG（基础检索+生成）、Advanced RAG（检索前后优化）、Modular RAG（模块化组合）。随后深入解析了四种高级范式：Self-RAG 让 LLM 自主决策是否检索及评估检索质量；CRAG 在检索质量差时自动降级到网络搜索；GraphRAG 利用知识图谱的社区发现和层次摘要增强全局理解能力；Agentic RAG 将 RAG 嵌入 Agent 循环，支持多轮动态检索。文章最后通过对比表格总结了各范式的核心创新、适合场景和工程复杂度，并给出了面试回答建议。

💡 主要观点

- RAG 范式经历了 Naive、Advanced 到 Modular 的三代演进。 Naive RAG 是基础流程，Advanced RAG 在检索前后加入优化（Query 改写、Rerank），Modular RAG 则将各环节拆解为可独立替换的模块，实现灵活组合。

Self-RAG 让 LLM 自主决策是否检索，并评估检索与生成质量。 通过训练特殊的 reflection token，LLM 可判断是否需要检索、检索内容是否相关、生成答案是否有幻觉，从而避免不必要的检索和基于错误上下文的生成。

CRAG 在检索质量差时自动降级到网络搜索，提供兜底机制。 通过轻量级评估器对检索结果进行三级路由（相关/不相关/模糊），不相关时丢弃本地结果并启用网络搜索，模糊时合并两者，提升系统健壮性。

GraphRAG 利用知识图谱和社区发现增强全局理解能力。 通过构建实体关系图谱、社区聚类和层次摘要，支持对需要跨文档关联和全局视角的问题进行回答，弥补向量检索仅能局部匹配的短板。

Agentic RAG 将 RAG 嵌入 Agent 循环，支持多轮动态检索。 LLM 在循环中自主决定是否继续检索、检索关键词、何时生成答案，适合需要多步骤推理的复杂问题，流程由运行时动态决定而非预先写死。

💬 文章金句

- 不同的 RAG 范式，本质上是在回答同一个问题：在「检索」和「生成」之间，系统应该怎么协调、怎么决策、怎么处理中间的各种异常情况？

• Self-RAG 解决「不是所有问题都需要检索」的问题，让 LLM 自主决策；CRAG 解决「检索质量差时怎么办」的问题，自动降级到网络搜索兜底。
• GraphRAG 解决「全局理解和跨文档关联」的问题，用社区发现和层次化摘要补上向量检索只能做局部匹配的短板；Agentic RAG 解决「复杂问题需要多轮动态检索」的问题，把 RAG 做成 Agent 循环。
• 如果说 Self-RAG 是给 RAG 加了一个「要不要检索」的开关，CRAG 是加了一个「检索不好怎么办」的兜底，那 Agentic RAG 是把整个检索流程变成了一个可以不断循环、不断调整的智能体。

📊 文章信息

AI 初评：82

来源：小林coding

作者：小林coding

分类：人工智能

语言：中文

阅读时间：27 分钟

字数：6536

标签： RAG, Self-RAG, CRAG, GraphRAG, Agentic RAG

阅读完整文章