18种RAG技术对比测试
概述
本文测试了18种不同的RAG技术，从简单RAG到高级技术如CRAG、Fusion、HyDE等，找出最佳方案。
测试结论：Adaptive RAG 胜出！
最佳技术
Adaptive RAG 以 0.86 的最高分获胜。通过智能分类查询并为每种问题类型选择最合适的检索策略，Adaptive RAG 展现出优于其他方法的性能。
各技术得分排名
| 排名 | 技术 | 得分 |
|---|---|---|
| 🥇 | Adaptive RAG | 0.86 |
| 🥈 | Hierarchical Indices | 0.84 |
| 🥉 | Fusion RAG | 0.83 |
| 4 | CRAG | 0.824 |
| … | Simple RAG | 0.3 |
RAG 技术分类
1. Simple RAG（基础）
最简单的 RAG 流程：
PDF → 文本提取 → 分块 → 向量化 → 语义搜索 → LLM生成 → 评估
得分：0.3（低于平均）
2. Semantic Chunking（语义分块）
基于语义相似度进行文本分块，而非固定长度。
3. Contextual Compression（上下文压缩）
压缩检索到的上下文，只保留与查询相关的部分。
4. Fusion RAG
融合多个检索结果，提高召回率和准确性。
得分：0.83
5. HyDE (Hypothetical Document Embeddings)
先让 LLM 生成假设性答案，再用该答案进行检索。
6. CRAG (Corrective RAG)
带有纠错机制的 RAG，能够识别和修正检索错误。
得分：0.824
7. Hierarchical Indices（层级索引）
使用多层级的索引结构，先粗粒度检索再细粒度检索。
得分：0.84
8. Adaptive RAG 🏆
核心优势
智能分类查询类型，动态选择最合适的检索策略：
- 事实类查询 → Factual 策略
- 分析类查询 → Analytical 策略
- 观点类查询 → Opinion 策略
- 上下文类查询 → Contextual 策略
得分：0.86（最高）
9. Graph RAG
利用知识图谱增强检索，捕获实体间的关系。
10. RSE (Relevant Segment Extraction)
提取最相关的文本片段。
11. Feedback Loop RAG
引入反馈循环，根据生成结果优化检索。
12. Multi-Modal RAG
支持多模态（文本+图像）的检索增强。
测试配置
测试查询
How does AI's reliance on massive data sets act as a double-edged sword?
标准答案
It drives rapid learning and innovation while also risking the amplification
of inherent biases, making it crucial to balance data volume with fairness
and quality.
使用的模型
- 响应生成 & 验证：LLaMA-3.2-3B Instruct
- Embedding：TaylorAI/gte-tiny
实现代码
GitHub 仓库
所有技术的 Jupyter Notebook 实现： FareedKhan-dev/all-rag-techniques
代码结构
├── 1_simple_rag.ipynb
├── 2_semantic_chunking.ipynb
├── 9_rse.ipynb
├── 10_contextual_compression.ipynb
├── 11_feedback_loop_rag.ipynb
├── 12_adaptive_rag.ipynb
├── 17_graph_rag.ipynb
├── 18_hierarchy_rag.ipynb
├── 19_HyDE_rag.ipynb
├── 20_crag.ipynb
└── data/
└── val.json
└── AI_information.pdf
└── attention_is_all_you_need.pdf
Simple RAG 实
# 1. 提取文本并分块
pdf_path = "data/AI_information.pdf"
extracted_text = extract_text_from_pdf(pdf_path)
text_chunks = chunk_text(extrac1000, 200)
# 2. 创建向量嵌入
response = create_embeddings(text_chunks)
# 3. 语义搜索
query = "How does AI's reliance on massive data sets act as a double-edgerd?"
top_chunks = semantic_search(query, text_chunks, embeddings, k=2)
# 4. 生成响应
system_prompt = "You are an AI assistant that strictly answers based on the given context."
user_prompt = "\n".join([f"Context {i+1}:\n{chunk}" for i, chunk in enumerate(top_chunks)])
ai_response = generate_response(system_prompt, user_prompt)
# 5. 评估
evaluation_prompt = f"User Query: {query}\nAI Response: {ai_response}\nTrue Response: {true_answer}"
evaluation_response = generate_response(evaluate_system_prompt, evaluation_prompt)选型建议
| 场景 | 推荐技术 |
|---|---|
| 通用问答 | Adaptive RAG |
| 复杂文档 | Hierarchical Indices |
| 多源检索 | Fusion RAG |
| 需要纠错 | CRAG |
| 资源受限 | Simple RAG + Semantic Chunking |
| 知识图谱场景 | Graph RAG |
相关链接
- 微调 vs RAG 的选择
- 向量数据库 - RAG 的存储层
主题关联
在个体重构中的位置
从个人知识系统角度看，RAG 更像“知识接入层”，可结合下面几篇一起看：
- 大模型/08-个体重构/02-工作流重构/MCP、RAG 与 Agent 在个体重构中的位置
- 大模型/08-个体重构/03-知识系统与第二大脑/AI时代的第二大脑设计原则
- 大模型/08-个体重构/05-案例观察/AI工作台路线图与知识层设计