RAG Techniques Playbook：一份覆盖 34 种检索增强生成技术的全景手册

开篇：一个让人头疼的真实场景

你在开发一个企业内部知识库问答系统。系统上线第一天效果还不错，用户问"我们公司的年假制度是什么"，AI 能准确给出答案。但第二天，有人问"张三的绩效评分和李四比怎么样"，AI 开始一本正经地胡说八道——它根本不认识张三和李四是谁，也不知道这两个人的数据根本不应该被检索出来。

这不是 AI 的问题，而是检索出了问题。

检索增强生成（Retrieval-Augmented Generation，RAG）正是解决这类问题的核心技术。它的思路很朴素：让 AI 在回答问题之前，先去知识库里"查一查"相关资料，再基于查到的资料作答。这比让 AI 凭空编造答案靠谱得多。

但 RAG 的坑远比你想象的深。检索的时机、检索的方式、检索结果的排序、上下文的管理、幻觉的消除……每一个环节都有大量工程细节。Lamhot Siagian 的 RAG Techniques Playbook 正是为解决这些痛点而生——它用一份手册收录了 34 种 RAG 技术的原理、伪代码、优缺点和适用场景，从最基础的经典 RAG 一直覆盖到微软 GraphRAG、RAPTOR、Self-RAG 等前沿方法。

截至目前，这个仓库在 GitHub 上已获得 70 Stars，收录的技术数量在同类项目中属于相当全面的级别。

什么是 RAG Techniques Playbook

这是一份纯文档型的技术手册，作者是印尼开发者 Lamhot Siagian。项目于 2026 年 2 月创建，仅包含一个 README.md 文件（约 5 万字），系统性地整理了 34 种 RAG 技术。

每一项技术都遵循统一的结构：快速概览（Quick Facts） → 技术定义（What It Is） → Python 伪代码（Python Pseudocode） → 优点（Pros） → 缺点（Cons）。这种结构让读者可以快速定位自己需要的信息——如果只需要了解原理，看 Quick Facts 就够了；如果想动手实现，看伪代码是最快的路径。

项目没有正式的开源许可证，默认适用 GitHub 的标准服务条款。仓库仅包含文档内容，无可执行代码、无容器化配置。

34 种技术全景：从入门到前沿

这 34 种技术并非随意堆叠，而是按照 RAG 系统构建的逻辑层次来组织。整体可以分为以下几个类别：

基础层（Foundational）：5 种

这部分覆盖了 RAG 的入门必备知识，包括经典 RAG（Basic RAG）、针对 CSV 结构化数据的 RAG、可靠性增强（Reliable RAG）等。经典 RAG 的工作流程非常简单：接收用户问题 → 向向量数据库检索 top-k 相关文档块 → 将检索结果和问题一起注入提示词 → 交给大语言模型生成答案。

Basic RAG 的伪代码只用 20 行左右就勾勒出了完整流程，展示了从检索到生成的闭环。它是后续所有高级技术的基础参照。

检索优化层（Advanced Retrieval / Context Enrichment）：13 种

这是手册中最"硬核"的部分，涵盖了从分块策略（Chunking）到重排序（Reranking）再到混合检索（Fusion Retrieval / Ensemble Retrieval）的完整技术栈。

在分块策略上，项目对比了固定窗口分块（Optimizing Chunk Sizes）、语义分块（Semantic Chunking）、命题分块（Proposition Chunking）等多种方案。重排序环节则覆盖了 Reranking 和 Multi-faceted Filtering，解释了如何通过二次排序和元数据过滤来提升最终检索质量。

特别值得关注的包括：HyDE（Hypothetical Document Embedding）——先用 LLM 生成一个"假设性答案文档"，再对这个假设文档做嵌入和检索，而不是直接对用户问题做检索，实验证明这种方法在某些场景下能显著提升召回率。Contextual Compression——对检索到的上下文块进行压缩，去除冗余信息，只保留与问题最相关的部分，从而在有限的上下文窗口内塞入更多有效信息。

多跳推理与图增强层（Advanced Architecture）：5 种

这是当前 RAG 研究最活跃的方向，也是手册最有价值的部分。

Graph RAG（章节29）——将知识图谱与向量检索结合。在多跳问题场景下（"A 和 B 有什么关系？B 和 C 有什么关系？"），纯向量检索往往只能找到直接关联的节点，而图结构能天然支持多跳遍历。Graph RAG 的实现思路是：先从用户问题中提取实体，用 LLM 生成实体列表，再通过图数据库查询这些实体的 N 跳邻居，最后把图遍历结果和向量检索结果融合后交给 LLM 生成答案。

Microsoft GraphRAG（章节30）——微软在开源 GraphRAG 基础上进一步发展的版本，核心创新是引入了"社区摘要"机制。传统的 Graph RAG 在回答"全局性问题"（如"公司文档中讨论最多的主题是什么？"）时效果不佳，因为这类问题不需要检索特定实体，而是需要理解文档的全局语义结构。微软 GraphRAG 的解决方案是：先对文档构建实体图谱，再通过社区检测算法（如 Leiden）将图谱划分为多个社区，每个社区生成一份摘要——这些社区摘要有双重作用：既能在全局性问题中直接提供高层语义，又能在局部问题中作为上下文补充局部检索结果。

RAPTOR（章节31）——由 UC Berkeley 等机构提出的一种树形索引检索方法。与传统平铺的向量检索不同，RAPTOR 构建一棵多层级的递归摘要树：叶子节点是原始文档块，向上每一层都是对下一层节点的聚类摘要。用户查询时，先在高层摘要中做粗粒度定位，再逐层向下钻取，最终召回最相关的叶子节点。这种结构特别适合需要跨文档做多主题综合分析的场景。

自反思与自我纠正层（Iterative / Corrective）：3 种

Self-RAG（章节32）——由卡内基梅隆大学等机构提出，核心思想是让模型学会"自我判断"。Self-RAG 在生成答案后，会显式地评估答案的质量：检索是否必要？答案是否被检索到的资料充分支撑？通过这种自反思机制，模型可以决定是否需要重新检索、是否需要改写问题、或直接使用已有知识作答。

Corrective RAG（CRAG，章节33）——另一种纠正思路，侧重于检索质量的事后检测。CRAG 的流程是：先做常规检索，然后用一个专门的评估模型给检索结果打分（0-1），如果分数低于某个阈值（如 0.6），就触发纠正流程——对问题进行rewrite（重新组织问题表述），或切换到备用数据源重新检索。相比 Self-RAG 的模型内省，CRAG 更侧重于流程层面的工程化纠正。

Agentic RAG（章节1 / 章节34）——这是当前最前沿的方向，也是手册的开篇和压轴技术。Agentic RAG 将 RAG 系统框架化为一个 Agent 驱动的工具调用过程：Agent 负责决定调用哪个检索工具（语义搜索、关键词搜索、图查询等）、调用几次、是否需要多步推理。章节34提到的 "Sophisticated Controllable Agent" 更进一步，支持通过配置文件或提示词来定制 Agent 的行为轨迹，实现高度可控的 RAG 编排。

评估与可解释性层（Evaluation / Explainability）：4 种

这部分覆盖了 RAG 系统的评测和可解释性需求。DeepEval 是一个类似 Pytest 的 RAG 评测框架，支持幻觉检测、答案相关性、检索召回等指标。Explainable Retrieval 则关注检索结果的可解释性——不仅告诉用户检索到了什么，还解释"为什么检索到的是这些内容"，这在医疗、法律等高风险场景中非常重要。

技术栈全景：谁在驱动这些技术

从手册中出现的工具和框架，可以一窥当前 RAG 技术栈的全貌。

模型层：几乎所有伪代码示例都使用 OpenAI 的 GPT-4o-mini 作为默认 LLM，同时 Pydantic AI 是最常见的 Agent 开发框架（Self-RAG、Agentic RAG、CRAG 等均基于 Pydantic AI 实现）。这反映了一个现实：当前 RAG 生态中，OpenAI 模型 + Pydantic AI 组合是事实标准。

向量数据库：手册中没有指定具体的向量数据库实现，伪代码中使用 db.match_chunks() 和 db.upsert_chunk() 做抽象化处理，读者需要自行对接 ChromaDB、Qdrant、Pinecone、Weaviate 等具体数据库。

知识图谱：Graph RAG 和 Microsoft GraphRAG 需要图数据库支持，常见选项是 Neo4j。

评测框架：DeepEval 是手册中推荐的 RAG 评测工具，与 LangChain 有良好的集成。

LangChain：虽然手册中部分章节提到了 LangChain（如 Graph RAG with LangChain），但整体来看，LangChain 并不是主要依赖。这是因为手册聚焦于技术原理和伪代码，而非具体框架实现，LangChain 更多作为"参考选项"出现。

上手体验：这份手册适合谁

适合的场景：作为 RAG 学习者的系统性参考手册使用。你不需要安装任何东西，只需要打开 GitHub 仓库的 README，逐章阅读即可。每种技术都有清晰的 Python 伪代码实现，开发者可以快速将伪代码迁移到自己的项目中。

不适合的场景：如果你需要的是可直接运行的代码库、完整的开源实现或生产级 RAG 系统，这个项目就无法满足需求——它本质上是一份结构化笔记，而非一个可部署的代码项目。

前置知识：手册假设读者对向量嵌入（Embedding）、大语言模型（LLM）和基本的 Python 异步编程有基础了解。

局限与思考

这份手册也有一些值得注意的局限：

伪代码的抽象层级：所有代码示例都是"概念性伪代码"，省略了向量数据库连接、错误处理、并发控制等工程细节。直接复制粘贴到生产环境是不现实的，需要大量的工程化填充工作。

缺乏真实 Benchmark：手册对每种技术的描述依赖作者的理解和总结，没有提供与其他技术的横向性能对比数据，读者无法直接判断哪种技术在特定场景下表现更好。

许可不明确：项目没有明确的开源许可证，这意味着在使用和分发内容时需要谨慎，最好联系作者确认。

知识新鲜度：RAG 是一个快速发展的领域，2025 年之后出现的一些新技术（如 HippoRAG、Co-STaR 等）尚未收录在当前版本中。

总结与推荐

RAG Techniques Playbook 的核心价值在于系统性。在 RAG 技术碎片化的今天，很难找到一份文档能同时覆盖 HyDE、GraphRAG、RAPTOR、Self-RAG、CRAG 这些横跨多个子类别的技术，并提供统一格式的原理说明和伪代码实现。对于需要快速了解 RAG 全景的技术决策者、正在构建 RAG 系统的工程师、或希望拓展 RAG 知识面的研究者，这份手册都是一份值得收藏的参考资料。

它的局限也很明显——纯文档形态决定了它只能提供方向性指导，真正的工程落地还需要结合具体框架（如 LangChain、LlamaIndex）和具体向量数据库来做深入实践。