七种RAG架构cheat sheet！

七种RAG架构cheat sheet！🔥

RAG 即检索增强生成（Retrieval - Augmented Generation ），是一种结合检索技术和生成模型的人工智能方法。

Weaviate 是一个开源的向量数据库，专为 AI 原生应用设计，能够高效地存储和检索数据对象及其向量嵌入。它结合了语义搜索、结构化过滤和机器学习集成，能够处理跨多种数据类型（如文本、图像等）的复杂查询。

Weaviate 面向的就是RAG使用场景，给出了七种RAG架构cheat sheet。

RAG 分为两个阶段：索引阶段 和 查询阶段，每个阶段都有超多硬核技术加持！💡

索引阶段 📂

1. Embedding model：嵌入模型，把数据变成低维向量，计算机秒懂！
2. Generative model：生成模型，文本、图像随便生成，创意无限！
3. Reranker model：重排序模型，检索结果重新排，相关性拉满！
4. Vector database：向量数据库，存储向量数据，检索快到飞起！
5. Prompt template：提示模板，指导模型生成特定格式，输出超精准！

查询阶段 🔍

1. Multimodal embedding model：多模态嵌入模型，图像、文本全搞定，统一嵌入表示！
2. Multimodal generative model：多模态生成模型，多种数据结合生成，输出超丰富！
3. LLM Graph Generator：大语言模型图生成器，生成图结构数据，复杂关系轻松搞定！
4. Graph database：图数据库，存储图结构数据，图查询操作超高效！
5. AI agent：AI 代理，代表用户执行任务，决策交互超智能！

Weaviate 的 7 种 RAG 架构 🧩

以下是Weaviate官方总结的七种RAG（Retrieval-Augmented Generation）架构的核心要点速查表，涵盖核心原理、优缺点及适用场景。

1. Naive RAG（朴素RAG）

• 核心原理：基于文档分块检索，直接将检索结果输入生