了解哪些更复杂的 RAG 范式
P1 · rag
🏷 标签：rag, advanced-paradigms, self-rag, graph-rag, agentic-rag
1️⃣ 考察意图
面试官想考察你对 RAG 前沿范式的广度与深度，而非仅仅背诵“检索+生成”的流水线。刁钻点在于：能否清晰区分不同范式的核心假设（如 Self-RAG 的反思机制 vs Agentic RAG 的工具调用），并给出工程取舍（如延迟 vs 准确性）。答好了能展示你对 RAG 从“工具”到“系统”的认知升级，以及根据业务场景选型的能力。
2️⃣ 标准答
RAG 从朴素版（Naive RAG：检索+拼接+生成）演进到多个复杂范式，核心差异在于是否引入反思、工具调用或结构化知识。以下按复杂度递增列举：
- **Self-RAG（自反思 RAG）**核心：在生成阶段引入“反思 token”（如
[Retrieve],[NoRetrieve],[Relevant],[Support]），让模型自我判断是否需要检索、检索结果是否相关、生成是否被支持。工程取舍：需要微调一个带反思能力的生成模型（如基于 Llama 2 的 Self-RAG 模型），训练成本高，但推理时可通过阈值控制检索频率，减少无效调用。实际坑：反思 token 的粒度难调——太细导致生成卡顿（每句话都反思），太粗则漏检。解法：在训练时用强化学习（如 GRPO）优化反思策略，而非硬编码规则。 - **Corrective RAG（修正型 RAG）**核心：在检索后增加一个“修正器”（如 reranker 或 LLM 评判），对检索结果进行质量打分，低分结果触发重新检索或丢弃。工程取舍：修正器增加一次 LLM 调用（延迟 200-500ms），但能过滤掉 30-50% 的噪声段落（【通用知识】）。实际坑：修正器可能误判，导致高相关段落被丢弃。解法：使用多轮修正（如先 rerank 再 LLM 评判），或引入置信度阈值（如 BM25 得分 < 0.3 才触发修正）。
- **Agentic RAG（智能体 RAG）**核心：将 RAG 封装为 LLM 可调用的工具（如
search_database,query_knowledge_graph），由 Agent 自主规划多步推理（如先检索 A，再根据结果检索 B）。工程取舍：灵活性极高（可处理多跳问题），但延迟爆炸（每步调用 LLM 决策，典型 3-5 步需 3-5 秒）。实际坑：Agent 容易陷入循环（如反复检索同一关键词）。解法：设置最大步数（如 5 步）和去重缓存（用 HNSW 索引存储已检索结果）。 - **Graph RAG（图增强 RAG）**核心：将知识组织为图结构（如实体-关系图），检索时从问题实体出发，沿边进行多跳遍历（如用 Cypher 查询 Neo4j）。工程取舍：适合多跳推理（如“A 的老板的公司的 CEO 是谁”），但建图成本高（需要 NER+关系抽取，且图规模大时遍历慢）。实际坑：图结构可能稀疏（如冷门实体无关联边）。解法：结合向量检索做“图+文本”混合检索（如先用 DPR 找相关实体，再在图内扩展）。
- **HyDE（假设文档嵌入）**核心：用 LLM 生成一个“假设文档”（即问题的理想答案），然后用该文档的 embedding 去检索真实文档。工程取舍：无需微调，但假设文档可能偏离真实分布（如生成“猫是哺乳动物”，但实际文档讲“猫的进化史”）。实际坑：假设文档质量依赖 LLM 能力。解法：生成多个假设文档（如 3 个），取 embedding 均值或投票。
总结：选型时，Self-RAG 适合事实性要求高的场景（如医疗问答），Agentic RAG 适合复杂推理（如法律案件分析），Graph RAG 适合结构化知识（如企业知识图谱）。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从三个层面回答：第一，列举主流范式——Self-RAG、Corrective RAG、Agentic RAG、Graph RAG、HyDE，核心差异在于反思、工具调用和结构化知识。第二，工程取舍——Self-RAG 需微调但减少无效检索，Agentic RAG 灵活但延迟高，Graph RAG 适合多跳但建图成本大。第三，选型建议——事实性场景用 Self-RAG，复杂推理用 Agentic RAG，结构化知识用 Graph RAG。总结一句：没有银弹，根据业务场景的延迟、准确率和知识类型选型。”
4️⃣ 高频追问 & 应对
追问 1：Self-RAG 和 Corrective RAG 在实现上有什么区别？哪个更实用？
Self-RAG 在生成阶段内嵌反思（模型自己判断是否检索），需要微调模型；Corrective RAG 在检索后外挂修正器（如 reranker），无需微调。实用角度：如果团队有微调能力（如用 LoRA 微调 Llama 3），Self-RAG 效果更好（准确率提升 10-15%）；否则用 Corrective RAG 更轻量（只需加一个 reranker 调用）。注意：Self-RAG 的反思 token 训练需要大量标注数据，成本高。
追问 2：Agentic RAG 如何避免 Agent 陷入死循环？
三个策略：1）设置最大步数（如 5 步），超时强制返回当前结果；2）去重缓存：用 HNSW 索引存储已检索结果，每次检索前先查缓存；3）引入“终止条件”：如 Agent 发现检索结果与问题无关（用 LLM 打分 < 0.5），则直接生成答案而非继续检索。实际工程中，还会记录 Agent 的推理路径，用于事后调试。
追问 3：Graph RAG 和向量 RAG 如何结合？给个具体例子。
典型方案是“图+向量”混合检索：先用 DPR 或 ColBERT 做向量检索，找到 top-10 相关文档；然后从这些文档中提取实体（用 NER 模型），在图数据库中查询这些实体的关联实体（如“A 的老板”）；最后将关联实体的文档与向量结果合并，输入 LLM。例如，在医疗场景中，向量检索找到“糖尿病”相关文档，图检索找到“胰岛素”和“并发症”的关联文档，合并后生成更全面的答案。
5️⃣ 避坑 · 常见错误答法
- ❌ 只列举范式名称，不解释核心差异（如“有 Self-RAG、Graph RAG 等”） → ✅ 必须给出每个范式的核心假设和工程取舍（如“Self-RAG 通过反思 token 控制检索频率，Graph RAG 通过图遍历增强多跳推理”）
- ❌ 认为 Agentic RAG 一定比 Self-RAG 好 → ✅ 指出适用场景不同：Agentic RAG 适合复杂推理但延迟高，Self-RAG 适合事实性场景但需微调
- ❌ 忽略实现复杂度（如“直接上 Agentic RAG”） → ✅ 强调选型需考虑团队能力（如微调 vs 无微调）和业务约束（如延迟 < 1 秒）
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“我在项目中对比了 Self-RAG 和 Corrective RAG”切入，展示你如何根据准确率（提升 12%）和延迟（增加 200ms）做选型，并提到用 GRPO 优化反思策略。
- 如果你只做过传统 NLP：用“信息检索 vs 知识图谱”类比迁移，比如“传统 QA 用 BM25 检索，Graph RAG 相当于在知识图谱上做多跳推理”，并强调你理解图数据库（如 Neo4j）和向量数据库（如 Milvus）的差异。
- 如果你是校招无项目：聚焦论文复现，比如“我复现了 Self-RAG 论文中的反思 token 机制，在 HotpotQA 上对比了标准 RAG，发现准确率提升 8%”，并提到你了解 ColBERT 的延迟-召回率权衡。
- Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection (ICLR 2024)
- Corrective RAG: Corrective Retrieval Augmented Generation (arXiv 2024)
- Agentic RAG: ReAct: Synergizing Reasoning and Acting in Language Models (ICLR 2023)
- Graph RAG: Graph-based Retrieval Augmented Generation (Microsoft Research 2024)
- HyDE: Precise Zero-Shot Dense Retrieval without Relevance Labels (ACL 2023)