Naive RAG vs Advanced RAG 区别?

来源标签：淘天公司标签：淘天 #淘天 #重排与优化 #Naive RAG #Advanced RAG #RAG 分类

搜索「重排」匹配到口述回答，相关段落已展开。查看匹配内容 ↓

完整题目

请介绍RAG（Retrieval-Augmented Generation）模型的主要分类方式，例如Naive RAG与Advanced RAG的区别，及其各自的特点。

本文目录

常见 RAG 形态

Naive RAG

查询直接编码，向量检索 Top-K，将候选拼接给模型。优点是链路短、易建立基线；缺点是对短 query、精确实体、文档冲突和复杂问题处理有限。

Advanced RAG

在检索前加入查询改写、扩展、分解或路由；检索中使用稀疏与稠密混合、元数据过滤和重排；生成前进行去重、压缩、冲突处理和引用组织。它通常能针对具体失败改进，但增加延迟、成本和维护面。

Modular / Agentic RAG

将检索、工具、验证、重试和路由做成可组合模块，模型可在受控条件下决定是否再次检索。适合多步或多源任务，但必须限制步骤、权限和预算，避免循环与错误累积。

教学假设

假设电商政策问答既包含自然语言问题，也包含订单号和时间条件。可以从 Naive 基线开始，再分别加入实体抽取、BM25、向量召回、RRF、重排和权限过滤。每次只增加一个主要模块，不能直接宣称准确率会达到某个数字。

评测与选型

分别测知识覆盖、Recall@K、MRR/NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。简单文档问答若基线已满足要求，不必升级；只有明确 bad case 和消融证据支持时才增加 Advanced 或 Agentic 组件。

按学习路线查看教程、项目和面试题。

站内 RAG 在线实战

换一种问法，检查是否真正理解

场景切入

假设你在做一个电商智能客服，用户问‘我的订单什么时候到’，你检索了相关文档回答。但如果用户接着问‘那我能改地址吗’，这时候你是直接检索新问题，还是把上一轮的信息也带进去？这种RAG你们一般怎么设计？

层层追问

RAG的基本流程你肯定知道，先检索再生成……但实际中检索质量不好怎么办？……比如用户问的问题和文档表述差距很大，或者需要多步推理，你有哪些手段优化？

直球架构

请你对比Naive RAG和Advanced RAG，重点说清楚它们在架构上的主要区别，以及各自适合什么场景？

练习口述回答 · 约4分钟

点题：RAG分类本质是工程取舍
Naive RAG：简单但脆弱，适合文档问答
Advanced RAG三大环节优化，举例客服场景
落地选型：重排序性价比最高，注意风险
收尾：我倾向渐进式演进，给出可延伸点Agentic RAG

RAG 的分类更适合作为复杂度坐标，而不是三套互斥产品。Naive RAG 的链路很短：把 query 编码，向量检索 Top-K，再把候选拼给模型。它便于建立基线，也容易排查，但遇到精确实体、短 query、冲突文档、权限过滤或多步问题时，单路向量召回往往不够。

Advanced RAG 是在明确 bad case 上增加处理。检索前可以做改写、扩展、分解或路由；检索中加入 BM25 与向量混合、元数据过滤和重排；生成前再做去重、压缩、冲突处理和引用组织。这里没有哪个模块默认该上。比如正确文档没进候选，先修覆盖和召回；候选已有答案但位置低，再考虑融合或重排；上下文正确而回答仍错，才检查 Prompt、生成模型或验证器。

Modular 或 Agentic RAG 把检索、工具、验证、重试与路由组成受控工作流，适合多步、多源和需要动态补证据的任务。代价是路径更难复现，也容易循环、越权和成本失控，所以要限制最大步骤、工具权限、总预算，并保留人工节点。选型时我会从 Naive 基线出发，在同一评测集上逐步加模块，分别看 Recall@K、MRR 或 NDCG、答案正确性、引用支持率、拒答、P95/P99 和成本。若新增复杂度没有改善目标切片，就删除它。所谓 Advanced，不是组件更多，而是每个组件都有清楚的错误对象、消融证据和停止条件。

我先从工程设计角度回答，再用一个假设场景说明。假设一个政策问答既有自然语言问题，也有订单号和生效时间。Naive 基线可以暴露单路向量召回对精确实体的不足；如果 bad case 集中在订单号，就加入 BM25 或字段检索，而不是直接上 Agent；如果正确政策已经召回但版本排错，再引入时间过滤或重排；只有问题需要跨多个系统补信息时，才考虑受控工具链。每次只增加一个主要模块，才能看清收益来自哪里。

生产中还要保存 query 变换、过滤条件、各路候选、融合名次、重排结果、最终上下文和引用。语料、embedding、索引、reranker、Prompt 与模型分别版本化，灰度时同时看质量、拒答、延迟、成本和越权风险。查询改写可能造成意图漂移，上下文压缩可能丢掉限定条件，多轮检索会积累错误；这些都应有专门切片和停止条件。分类的价值就在这里：它帮助团队描述链路复杂度和风险，但最终采用哪一层，仍要由目标数据和可复现实验决定。