三种RAG范式完整对比解析

一、基础RAG（标准向量检索RAG）

流程链路

用户提问 → 嵌入模型转向量 → 向量库相似度检索TopK文本块 → 拼接上下文与提示词 → LLM生成回答

核心特点

1. 最简线性流程，无循环、无智能代理调度；
2. 仅依赖向量相似度匹配，只做文本片段召回；
3. 缺陷：无法处理复杂多步骤问题、检索质量不可校验、上下文不足时不会二次检索；

适用场景

简单问答、单文档短文本检索、轻量化知识库。

二、Agentic RAG（智能体增强检索）

流程链路

用户提问 → 规划代理判断是否检索、选择工具 → 多源检索（向量库/API/MCP服务）→ 评估代理打分校验上下文质量（不足则重新检索）→ 拼接上下文 → LLM输出答案

核心特点

1. 双智能体分工：规划代理做任务拆解、工具选择；评估代理校验检索结果；
2. 支持循环重试：检索素材质量差时自动重新检索；
3. 可对接外部API、MCP工具，不止局限向量文档；

适用场景

复杂业务查询、多数据源联动、需要校验检索精度的企业场景。

三、图谱RAG（知识图谱增强RAG）

流程链路

用户提问 → 查询分类（本地/全局检索分支）→ 文本上下文增强 → LLM初步响应 → 向量库匹配实体 + 知识图谱遍历关联关系 → 批量加载社区报告 → LLM打分筛选关键点 → 综合全部信息生成最终答案

核心特点

1. 双存储引擎：向量库存文本、知识图谱存实体与关系；
2. 兼顾语义相似度与逻辑关联，解决单纯向量RAG丢失因果、层级关系的问题；
3. 多层过滤打分，层层筛选高价值信息，适合深度推理；

适用场景

行业知识库、复杂逻辑推理、多实体关联分析、政企专业文档检索。

三者核心差异总结

1. 基础RAG：轻量化、低成本，仅单层向量检索，无自主纠错能力；
2. Agentic RAG：引入智能体循环调度，支持多工具、自动重检索，解决检索精度不足问题；
3. 图谱RAG：叠加知识图谱，补齐逻辑关联能力，擅长深度推理、实体关系类复杂问题。

RAG AgenticRAG 知识图谱RAG 检索增强生成 大模型知识库 企业级RAG方案 向量数据库