LlamaIndex 系列【2】检索增强生成（Retrieval‑Augmented Generation）

文章目录

• 1. 前言
• 2. 什么是 RAG ？
• • 2.1 基础定义
  • 2.2 三大核心组件
  • 2.3 基础工作流（朴素RAG）
  • 2.4 普通 LLM vs RAG
  • 2.5 典型应用场景
  • 2.6 发展历史
• 3. 为什么需要 RAG ？
• • 3.1 LLM 底层本质
  • 3.2 LLM 如何学习
  • 3.3 LLM 会产生幻觉
  • 3.4 RAG 如何解决幻觉问题
• 4. 实现方案
• • 4.1 朴素 RAG（Naive RAG）
  • 4.2 高级 RAG（Advanced RAG）
  • 4.3 模块化 RAG（Modular RAG）
  • 4.4 智能体化 RAG（Agentic RAG）
  • 4.5 图增强 RAG（GraphRAG）
  • 4.6 各方案对比简表
• 5. 开源框架/平台
• • 5.1 RAGFlow（⭐ ~88k）
  • 5.2 LlamaIndex（⭐ ~46k）
  • 5.3 LightRAG（⭐ ~35k）
  • 5.4 腾讯 WeKnora（⭐ ~20k）
  • 5.5 Haystack 2.x（⭐ ~24k）
  • 5.6 txtai（⭐ ~13k）
  • 5.7 阿里 PAI‑RAG（⭐ ~ 0.5k）
• 6. 小结

1. 前言

在上一篇中，我们了解了上下文工程（Context Engineering）中的：

• 三大基础组件：上下文检索与生成、上下文处理、上下文管理。
• 四大系统实现：RAG系统、记忆系统、工具集成推理、多智能体系统。

RAG属于中层四大系统实现之一，由底层三大基础组件组合构建而成。它以「上下文检索与生成」为核心，同时复用上下文处理、上下文管理能力，用来实现外部知识注入；RAG作为架构骨架，进一步结合业务需求，可实现知识库问答等上层Agent/AI应用。工程中RAG常与记忆、工具推理组合，共同构建复杂智能体。

基础组件属于底层能力模块，是上下文工程最基础的 “零件库”，提供信息获取、信息加工、信息存储管理的基础能力。四大系统属于中层架构范式，组装基础组件形成标准化架构骨架，是通用技术方案，还不是面向用户的成品。

基于四大系统架构，结合业务需求开发出来，构建面向终端使用的最终应用，也就是Agent/AI应用，比如智能助手、知识库问答、办公Agent、多角色协同机器人等业务产品。

---

2. 什么是 RAG ？

2.1 基础定义

RAG（Retrieval‑Augmented Generation）检索增强生成，是一种将外部知识库检索与大模型文本生成相结合的技术范式：不修改大语言模型本身权重，推理阶段先从外部知识库检索相关资料，再把检索得到的上下文交给大模型，由大模型基于检索回来的真实材料生成回答。

公式表达：LLM + your data= 大模型 + 你的私有/外部数据

原始大语言模型训练依赖公开互联网数据，企业私有文档、内部业务资料、实时互联网信息，通常不在模型训练数据集中，裸LLM会产生幻觉、无法回答业务专属问题。

在《面向大语言模型的上下文工程综述》的三层架构中：

• 底层：三大基础组件（上下文检索与生成、上下文处理、上下文管理）
• ✅中层：四大系统实现之一 RAG系统
• 上层：Agent/AI应用（知识库问答、文档助手等产品）

RAG不是底层单一组件，而是一套拼装好的系统架构范式，核心依赖「上下文检索与生成」组件，同时复用上下文处理、上下文管理能力。

简单理解：大模型本身参数里存储的知识叫参数化知识；RAG从外部文档库拿到的资料叫非参数化知识，把检索出来的资料组装进上下文C = A ( c 1 , c 2 , … , c n ) C=\mathcal{A}(c_1,c_2,\dots,c_n)C=A(c1​,c2​,…,cn​)，交给大模型参考再输出答案。

解决痛点

1. 幻觉问题：让回答引用真实文档证据，减少模型凭空编造内容；
2. 知识时效性：模型训练完成之后新知识无法写入权重，RAG可以读取实时更新的外部文档；
3. 领域私有知识：企业内部文档、业务数据不需要微调模型，直接通过检索注入；
4. 成本可控：相比模型微调，RAG改动知识库即可更新知识，不需要重新训练权重。

我给你精简、干净、可直接放进技术博客 / 面试背诵的 300 字标准版：

2.2 三大核心组件

一套基础的RAG系统由**知识库、检索器、生成器（LLM）**三大核心组件构成。

知识库是RAG的数据底座，用于存储权威、真实、最新的外部资料，包括业务文档、手册、合同、私有数据等。原始文档经过解析、清洗、分块、向量化后，存入向量数据库，为检索提供可靠数据源，弥补大模型参数知识有限、过时的缺陷。

检索器负责理解用户问题，根据用户Query从知识库中精准召回相似度最高的文本片段，过滤无关内容，输出高质量参考上下文，为模型提供作答依据。

生成器即 LLM，接收用户问题与检索得到的真实资料，强制基于外部参考内容生成答案，不再依赖模型内部参数脑补。

2.3 基础工作流（朴素RAG）

朴素RAG(Naive‑RAG) 是最基础、最简单版本的检索增强生成，线性直来直去的RAG流水线，没有额外优化模块。

朴素RAG一共4个工作步骤：

1. 索引阶段：原始文档切分，通过Embedding向量化，向量与文本存入向量数据库，离线完成知识库构建。
2. 查询阶段：接收用户提问，将问题向量化，在向量库中召回相关文档片段。
3. 组装上下文：将用户query和检索得到的参考片段，拼装成完整提示词送入LLM。
4. 生成输出：大模型基于检索资料输出最终回答。

朴素RAG属于固定线性流水线，短板明显：缺少查询改写能力，多跳推理表现差；复杂问题场景容易召回无关片段，依旧会产生幻觉。

2.4 普通 LLM vs RAG

普通LLM流程：用户Prompt直接送入大模型，依靠模型参数内训练知识生成回答。缺点是不能使用私有数据、知识过时，容易产生幻觉。

RAG引入检索环节：用户问题交给检索器，从知识库召回相关文档片段，将问题与参考文档拼接为增强提示词再交给LLM，让模型基于外部资料输出答案。

RAG收益显著：可以注入私有业务知识、缓解幻觉；更新知识只需要维护知识库，无需微调大模型，还可以实现答案溯源。但代价是增加检索带来的延迟，提升系统复杂度。

RAG实现职责分离：检索器负责找事实，LLM专注文本生成。

2.5 典型应用场景

RAG核心价值：不改动大模型权重，接入外部私有/实时知识，降低幻觉，支持溯源，下面是工程落地高频场景。

1. 企业内部知识库问答（最主流）
   对接内部手册、合同、制度、FAQ、运维文档。员工自然语言查询内部资料，不用手动翻文档；支持客服、内部助手。

2. 智能客服与售后机器人
   把产品手册、故障方案、售后政策存入知识库。用户咨询产品问题，基于真实资料回复，减少幻觉，回答可附带来源。

3. 文档分析助手（PDF/卷宗/报告）
   法律合同、财报、研究论文、项目卷宗。对长文档做问答、摘要、条款提取，快速定位关键信息。

4. 垂直行业助手

   • 金融：研报、公告问答；
   • 医疗：院内规范、诊疗手册查询；
   • 政务：政策文件解读。

5. 实时信息问答
   对接搜索引擎作为知识库，获取大模型训练截止时间之后的新闻、事件，解决知识过时问题。

6. 开发者助手
   接入私有代码文档、接口文档、内部技术规范，做研发问答、接口解释。

7. 教育知识库
   课程讲义、题库资料，基于教学资料答疑，减少编造知识点。

RAG不擅长纯创意创作，这类场景直接使用原生LLM即可。

---

2.6 发展历史

早期RAG仅仅把文档切分成文本块做相似度检索；2026年的RAG已经演进为动态上下文编排系统，与上下文工程整套思想完全对齐。

行业普遍认为超大长上下文与RAG属于互补：RAG负责从海量外部资料做粗筛选，长上下文负责局部文档精读。

RAG演进可以划分为5个阶段，下面整理关键里程碑事件：

时间	里程碑	核心意义
2020	Meta NeurIPS 2020正式提出RAG范式；DPR稠密检索论文发表	RAG范式正式诞生，确立稠密检索+生成器的基础架构，区分参数化/非参数化知识
2021‑2022	REALM、RETRO、WebGPT	预训练阶段融合检索；验证大规模检索增强可行性；检索增强走向工业界原型
2023	ChatGPT爆发；Advanced RAG普及；LangChain、LlamaIndex生态爆发	企业大量落地RAG，朴素RAG暴露出短板；查询改写、重排序、混合检索等高级技术大规模使用
2024‑2025	Modular RAG模块化RAG、GraphRAG图增强RAG、Agentic‑RAG智能体RAG	RAG从静态流水线走向动态可编排架构；知识图谱、智能体规划融入RAG系统，也是《上下文工程综述》重点论述的方向
2026	RAG进入上下文引擎时代，工业化落地与前沿研究并行 1. Agentic‑RAG从科研走向生产；混合检索、重排序成为工业系统默认标配 2. 多模态RAG、记忆‑RAG深度融合；轻量化GraphRAG实现大量开源 3. MCP等标准化协议兴起，检索成为Agent可插拔组件 4. TREC‑RAG、MTRAG多轮RAG等评测基准大量出现 5. 行业形成共识：超大上下文窗口不会取代RAG，二者协同；上下文工程成为RAG顶层设计思想	RAG不再简单等同于“检索+拼接提示词”，升级为动态上下文编排系统；将检索、记忆、工具调用统一纳入上下文工程框架，重点关注系统可靠性、复杂业务工程落地

💡小提示：上下文工程综述论文是2025年7月发布，2026是该思想大规模落地RAG、Agent的产业年份。

---

3. 为什么需要 RAG ？

3.1 LLM 底层本质

底层本质：高级自动补全

大语言模型的底层本质，是一套概率式自动续写系统。它并不会真正“理解”语义，而是依托前文内容，反复推算后续词元的出现概率，一步步产出整篇文本。

Token生成完整流程：

1. 上下文接收处理：把用户提问、已经生成的内容合并，整理成模型可识别的输入状态。
2. 概率分布计算：神经网络利用训练习得的海量语言规律，为词库中每一个候选Token算出对应的发生概率。
3. 采样选出下一词元：基于概率分布做采样，挑选出本次输出的Token，并非永远选取概率最高项。
4. 迭代循环输出：将新生成Token拼接到原有上下文末尾，重新走整套流程，直到命中停止条件，生成结束。

举例，输入句子：

今天天气真好，太阳正

基于概率，模型可以生成多个通顺合理的续写：

高高挂在天上 暖洋洋地照耀大地

---

3.2 LLM 如何学习

LLM学习分为两大核心阶段：

• 预训练（Pre‑training） ：海量文本的自学阶段（造脑），产出Base基座模型。
• 后训练（Post‑Training）：预训练完成之后，在基座模型权重基础上，开展的全部微调与对齐工作统称后训练。

预训练阶段，模型初始参数随机，只会输出乱码。以海量无标注文本为原料，核心任务是预测下一个 Token：输入上文，模型预测后续文本，对比真实结果计算误差，通过反向传播迭代调整参数，习得语法、常识、逻辑，产出** Base基座模型**。基座擅长文本续写，但不会听从人类指令。

后训练（Post‑Training）在基座之上做对齐。先通过SFT监督微调，用指令‑回答样本，教会模型理解并响应指令。再做偏好对齐，可采用RLHF或DPO，基于好坏回答数据优化输出质量，叠加安全、工具调用训练，得到可直接对话的Chat模型。

推理阶段权重完全冻结，仅循环预测Token生成回复，不会让模型实时学习。

---

3.3 LLM 会产生幻觉

LLM本质是生成概率上通顺的词序列，学习训练数据中的统计模式，并不以输出客观事实为优化目标。这里有一个关键认知：Truthful ≠ probable（真实不等于概率高）。文本读起来流畅合理，只代表该文本组合在统计上概率更高，不代表内容属实。

当出现知识缺口，比如训练数据缺失、信息过时，模型缺少对应事实依据。但为了完成续写，它会依靠统计规律脑补内容，于是产生幻觉：语气笃定地编造不存在的人名、文献、数据与事件。模型没有真实认知，只是不断预测下一个Token。

幻觉无法彻底根除，只能缓解。落地业务时，切忌直接采信大模型给出的事实、数据，一定要做校验。

常用手段包括：

• RAG检索增强，引入外部可信资料；
• 优化提示词，鼓励模型坦诚说不知道；
• 事实类输出必须人工复核。

幻觉并非程序Bug，是大语言模型与生俱来的特性，根源来自模型的生成逻辑。

---

3.4 RAG 如何解决幻觉问题

RAG（检索增强生成）是解决幻觉最有效的落地方案。

核心思想：不让模型靠参数脑补知识，强制依靠外部真实素材作答。

通过外接实时、可信数据，大幅降低模型编造概率，有效解决知识过时、事实错误、幻觉虚构等问题。

核心思路：不让模型只靠内部参数记忆知识，外部拉取真实参考资料作为上下文，降低幻觉。

---

4. 实现方案

按照上下文工程综述的分类，RAG分为：朴素RAG、高级RAG、模块化RAG、智能体化RAG、图增强RAG（GraphRAG），另外还有RAPTOR、Self‑RAG等代表性变体方案。

4.1 朴素 RAG（Naive RAG）

流程：用户Query→ 向量相似度检索 → 拼接片段 →LLM生成；

优点：最简单，开发快，适合简单单跳事实问答；

缺点：固定单向流水线；没有查询改写；不做结果校验；容易召回噪声，复杂多跳问题效果差；存在“迷失中间”问题；

适用场景：简单FAQ、小规模知识库Demo原型。

4.2 高级 RAG（Advanced RAG）

在朴素RAG前后增加预处理、后处理增强环节。

关键技术：

1. 查询侧：查询改写、HyDE假设文档嵌入、多查询生成；
2. 检索侧：混合检索BM25关键词 + 向量检索；
3. 检索后：Rerank重排序模型，对召回文档二次打分过滤噪声；上下文压缩，精简检索块减少token消耗。

优点：显著提升召回质量，成本增加不大；

缺点：整体依旧是固定流水线，不会自主判断要不要检索，复杂任务无法迭代多次检索；

适用场景：绝大多数企业常规知识库项目。

4.3 模块化 RAG（Modular RAG）

综述重点方案，把整条RAG流水线拆解成独立可插拔组件：索引模块、预检索模块、检索模块、后检索模块、生成模块、记忆模块，组件之间可以自由替换、编排组合。

创新点：不再是一条写死的直线；可以路由选择不同检索器；支持自省、迭代检索；可接入外部工具；

优点：灵活适配不同业务；可以按需开启关闭模块，便于做消融实验、对比不同策略；方便研究调优；

缺点：架构复杂度上升，组件编排需要工程经验；

代表框架：FlashRAG、ComposeRAG。

4.4 智能体化 RAG（Agentic RAG）

将Agent智能体能力嵌入RAG流水线，由大模型自主做决策：要不要检索、生成什么查询、是否需要多轮检索、什么时候停止检索、对结果做校验反思。

核心能力：任务分解、迭代检索、结果校验反思；可同时调用检索、计算器、搜索引擎等多种工具；Self‑RAG是典型代表，模型输出特殊token控制检索开关；

优点：擅长复杂多跳、需要多轮搜集证据的复杂问题；

缺点：token消耗高，推理延迟大，容易循环反复检索；提示词约束不好会跑偏；

适用场景：深度文档研究、复杂分析类问题。

4.5 图增强 RAG（GraphRAG）

不再只依赖文本块向量相似度，抽取文档中的实体、关系构建知识图谱，利用图结构做检索与多跳推理。

分为三类：

1. 知识载体型：图谱作为核心知识库；
2. 索引型：图谱只是索引，原始文档依然保留；
3. 混合：向量检索+图检索结合使用。

代表实现：微软GraphRAG、LightRAG、HippoRAG、RAPTOR（层级摘要树）

优点：擅长实体关系、多跳关联推理；全局文档综合问答；缓解传统向量检索语义碎片化；

缺点：图谱构建成本高；实体抽取质量直接决定效果；索引构建耗时；

适用场景：人物关系、产业链、医疗、法律等强关系型知识场景。

4.6 各方案对比简表

RAG虽然才出现短短几年，但已经发展出各种各样的RAG方案，NaiveRAG一般也称为传统RAG，是初代检索增强生成方案，也是最早落地、架构最简单的RAG形态。

各类RAG方案对比：

方法	核心思路	强项	弱项	典型效果
NaiveRAG	文本相似度检索	简单、速度快	不具备推理能力，无法识别实体关系	综合得分 30–40%
RQ-RAG	问题拆分 / 改写	复杂问题召回效果好	调用成本高，无法解决实体关系问题	效果略优于 NaiveRAG
HyDE	虚拟文档检索	短文本问题匹配精度高	依赖大模型生成结果，易引入幻觉	效果优于 NaiveRAG
GraphRAG	知识图谱 + 社区检索	支持多跳推理，全局理解能力强	运行慢、Token 开销大、数据更新困难	综合得分约 50%
Agentic RAG	智能体自主规划、迭代检索与工具调用	自主决策、动态调整检索策略，适配复杂长任务	流程链路长、耗时久、逻辑复杂度高	综合表现中上，灵活度突出
LightRAG	双层图检索 + 增量更新	高效精准、成本低，支持多模态	索引阶段仍依赖大模型	综合得分 60–85%
LLM Wiki	摄入时编译结构化百科知识，查询检索整理后的知识页	知识全局沉淀、无碎片、可读性极强、适合长期知识库复利	预处理编译成本高、实时性差、不适合动态数据	回答质量极高，适合企业静态知识库

还有很多方案：

方法	核心思路	强项	弱项	典型效果
Hybrid RAG	向量+BM25混合检索	召回准、兼顾语义与关键词	双索引维护成本高	工业界首选，稳定
RAPTOR	分层聚类+多层级检索	长文档、多章节问题强	建树开销大	长文本最佳
Self-RAG	生成后自我反思重查	幻觉低、质量可控	多一轮LLM、成本高	高可靠问答
CRAG	检索质量评估+纠错	鲁棒性强、防垃圾进	逻辑复杂、链路长	开放域稳
Adaptive RAG	问题难度路由策略	速度质量平衡、企业首选	需训练分类器	生产标准
MM-RAG	图文统一嵌入、跨模态检索	能处理PDF/表格/图片	依赖多模态模型、贵	文档知识库
NodeRAG	实体级细粒度知识网络	复杂关系推理强	构建成本高	多跳问答强

💡工程实践：现实项目很少只用单一范式，经常互相组合，例如：模块化RAG+Graph检索 +Agent自省。

---

5. 开源框架/平台

本次筛选标准：项目核心定位以 RAG 为主；区分代码开发SDK与RAG专用服务引擎，排除Dify这类以Agent工作流为核心的通用低代码AI平台。下面按照2026年8月GitHub Star热度依次介绍7个主流项目。

5.1 RAGFlow（⭐ ~88k）

项目地址

RAGFlow是一款面向企业复杂文档场景的开源RAG引擎，依托深度文档理解能力构建完整检索增强工作流。项目附带可视化Web管理界面，同时开放标准化API方便业务系统集成。虽然内置可选Agent模板，但Agent仅作为附加拓展能力，产品全部底层设计围绕知识库检索问答构建，不属于通用Agent开发平台，非常适合国内企业私有化知识库落地。

核心特性：

1. 原生深度文档解析，完美支持PDF、扫描件、Excel表格、图文混排、版式复杂合同文档；
2. 内置混合检索（关键词+向量检索）、重排序、可控切片策略，支持可视化调整文本分块；
3. 答案溯源引用机制，每条结论绑定原始文档片段，降低模型幻觉，结果可审计；
4. 支持多样化大模型、嵌入模型灵活接入，开箱即用，无需从零搭建RAG底层链路；
5. 提供完整HTTP API，支持与业务系统深度对接。

适用场景：企业内部知识库、合同文档问答、扫描资料检索、私有化部署业务问答系统。

5.2 LlamaIndex（⭐ ~46k）

项目地址

社区公认的RAG优先开发框架，前身为GPT‑Index。框架设计初衷就是打通私有数据与大语言模型，是面向开发者的代码SDK。虽然支持拓展Agent能力，但Agent仅作为可选插件，核心链路聚焦文档加载、索引构建、检索调度，适合开发者灵活定制各类RAG策略。

核心特性：

1. 内置上百种数据源连接器，兼容PDF、网页、数据库、各类文档格式；
2. 多索引体系：向量索引、树形摘要索引、属性知识图谱索引，原生支持GraphRAG开发；
3. 开箱实现HyDE、RAG‑Fusion、父文档检索等大量高级RAG优化方案；
4. 分层API设计，高层API快速搭建Demo，底层API支持自定义改写检索、预处理逻辑；
5. 兼容市面上绝大多数向量数据库、大模型、重排模型。

适用场景：自定义RAG业务开发、长文档处理、GraphRAG原型验证、需要灵活迭代检索策略的项目。

5.3 LightRAG（⭐ ~35k）

项目地址

香港大学团队开源的轻量化图增强RAG算法库，专注解决传统向量RAG文本碎片化、多跳推理薄弱的痛点。项目代码精简，无冗余Web界面、无复杂Agent编排模块，专注实现向量检索+知识图谱双层检索架构，MIT宽松协议，方便二次改造与学术验证。

核心特性：

1. 双层检索范式：底层向量检索负责细节匹配，上层知识图谱完成实体关联、多跳推理；
2. 支持文档增量更新，新增文本自动抽取实体与关系，无需全量重建索引；
3. 原生支持重排序模块，可自由切换各类嵌入模型与大模型；
4. 架构轻量化，部署资源开销低于传统GraphRAG方案；
5. 提供简洁Python接口，便于嵌入自有业务代码。

适用场景：人物、产业链、医疗、法律等强实体关系知识库，需要多跳问答的RAG系统。

5.4 腾讯 WeKnora（⭐ ~20k）

项目地址

腾讯开源企业级RAG+知识框架，RAG为核心底座，ReAct Agent、Wiki图谱为附加扩展能力；Go语言实现，完整WebUI与企业级API，面向私有化知识库落地。

核心特性：

1. 多模态深度文档解析，支持PDF、图片、合同，兼容飞书、语雀等多源数据导入；
2. 混合检索：向量+关键词+知识图谱检索，支持父子分块、重排序；
3. 企业级能力：RBAC权限、审计日志、答案溯源、多租户；
4. 模块化，可对接主流向量库、各类大模型；
5. 支持开启Agent模式处理复杂问题，不强制依赖Agent。

适用场景：国内企业私有化知识库、内部文档问答、业务客服知识库。

5.5 Haystack 2.x（⭐ ~24k）

项目地址

Deepset推出的企业级模块化RAG流水线开发框架，采用全新DAG有向图组件化架构，面向生产环境设计。框架重心围绕检索、文档处理、问答流水线打造，Agent能力仅作为可选拓展，不会侵入RAG核心流程，商业友好Apache2.0协议。

核心特性：

1. 强类型组件化流水线，支持分支路由、循环迭代、条件判断，构建复杂动态RAG链路；
2. 原生支持混合检索、检索结果重排、上下文压缩等工业常用优化手段；
3. 完善调试链路、日志观测能力，方便线上问题定位；
4. 深度兼容Elasticsearch、OpenSearch等企业主流检索引擎；
5. 组件高度解耦，开发者可以自由替换文档切分、检索、生成模块。

适用场景：正式上线企业级RAG服务，对稳定性、可运维、合规审计有较高要求的项目。

5.6 txtai（⭐ ~13k）

项目地址

一体化轻量级嵌入式RAG Python库，最大特点是内置嵌入、向量存储、语义检索、问答能力，不需要额外部署独立向量数据库。项目主打轻量化语义检索场景，不内置重型Agent工作流，适合嵌入小型程序、本地离线应用。

核心特性：

1. 单包依赖极简，向量索引内置，支持稠密向量、稀疏关键词混合检索；
2. 同时支持语义检索、RAG问答、主题建模，API简洁；
3. 支持导出REST服务，可快速封装成独立语义问答服务；
4. 跨平台友好，适配PC、边缘设备离线运行；
5. 支持图文、文本多模态向量构建。

适用场景：本地离线知识库、嵌入式程序内置问答、轻量化小型Demo、边缘端RAG应用。

---

5.7 阿里 PAI‑RAG（⭐ ~ 0.5k）

项目地址

阿里开源Agentic‑RAG企业框架，以RAG流水线为基础，叠加查询改写、ReAct、MCP工具调用；提供WebUI与全套API，适合复杂业务问答。

核心特性：

1. 多模态文档解析，内置混合检索、Rerank重排序；
2. 原生Query改写、问题拆解，支持多跳问答；
3. ReAct智能体、MCP工具、Text‑to‑SQL能力；
4. 兼容通义、开源LLM、第三方模型；
5. 完整可观测，支持私有化部署。

适用场景：复杂业务问答、需要工具调用、多跳推理的企业RAG项目。

6. 小结

结合上下文工程视角来看，RAG不是简单的 “向量库+大模型”，而是一套完整的中层系统实现，由底层三大基础组件组装而成。从朴素RAG一路演进到模块化、智能体、图增强RAG，本质就是上下文工程思想不断落地：对检索、处理、记忆做动态编排，构造最优的输入上下文C = A ( c 1 , c 2 , … , c n ) C=\mathcal{A}(c_1,c_2,\dots,c_n)C=A(c1​,c2​,…,cn​)，约束在token窗口内最大化任务相关信息。

---