概念初级RAG / 基础RAG

Naive RAG

RAG系统的初级形态，采用「检索—拼接—生成」简单流程，能实现基本功能但在准确率和召回质量上存在明显短板

时间轴 (近 90 天)

10月5日

Naive RAG 的工作流程是：将用户查询转换为向量，执行一次向量相似度搜索，取回最相关的片段，然后把上下文连同原始问题一起输入 LLM 生成答案

待验证50%

10月5日

Naive RAG 的优势在于实现简单、响应快，适合原型验证和快速演示

待验证50%

10月5日

Naive RAG 的短板包括：单一向量检索容易忽略精确关键词匹配、无元数据过滤、缺少重排序导致相关性排序不够精细

待验证50%

10月5日

对于早期验证和小型知识库项目适合使用 Naive RAG，进入生产阶段且对准确性和可溯源性要求高时适合引入 Advanced Hybrid RAG

待验证50%

Naive RAG 的工作流程是：将用户查询转换为向量，执行一次向量相似度搜索，取回最相关的片段，然后把上下文连同原始问题一起输入 LLM 生成答案

Naive RAG 的优势在于实现简单、响应快，适合原型验证和快速演示

Naive RAG 的短板包括：单一向量检索容易忽略精确关键词匹配、无元数据过滤、缺少重排序导致相关性排序不够精细

对于早期验证和小型知识库项目适合使用 Naive RAG，进入生产阶段且对准确性和可溯源性要求高时适合引入 Advanced Hybrid RAG