你了解哪些更复杂的 RAG 范式？

先这样答

按演进讲，每种范式说清它解决了什么。基础三代：Naive RAG 是检索加生成的直通流程；Advanced RAG 在固定流程的各环节做优化，查询改写、混合检索、重排；Modular RAG 把环节做成可组合的模块。这三代的前提都是「流程是固定的」。

更复杂的范式从这个前提上突破。Self-RAG 让模型自己决定要不要检索、并自评检索质量，解决「有些问题根本不用查、有些查回来的是垃圾」的问题。CRAG 在检索质量差时自动降级，比如转网络搜索纠错，解决知识库覆盖盲区里模型硬编的问题。GraphRAG 用知识图谱加社区发现加层次摘要，解决局部检索答不了全局性问题（「这批文档的整体趋势是什么」）。Agentic RAG 把 RAG 做成 Agent，多轮动态检索，复杂问题拆子问题逐个查再综合，解决一次检索不够的问题。

准备这题的关键：不是背名字，是每种范式对应哪类失败场景能对上号。

面试官会怎么追问

• 「Self-RAG 的自评是怎么实现的？」 训练模型输出特殊的反射标记，对每段检索内容和自己的回答打质量判断标签，推理时模型边生成边判断是否需要再检索。
• 「Agentic RAG 和带检索工具的 Agent 有区别吗？」 前者把检索-评估-再检索做成系统的固定循环，可控性强；后者检索只是工具列表里的一项，调不调全凭模型决策，更灵活但更难控。
• 「GraphRAG 的构建成本怎么看？」 实体抽取、关系抽取、社区聚类都要算力和维护，增量更新还要处理实体对齐；适合全局问题占比高、文档集合相对稳定的场景。

回答的坑

把 Advanced RAG 当成终点。「加个 Rerank 和查询改写就到头了」这句话一出口，追问马上就来。

罗列名词不说各自解决的问题，面试官会挑一个让你展开，现场就见底。