🔍 RAG技术最新进展

1. Graph RAG — 知识图谱增强检索

微软开源的GraphRAG将知识图谱引入RAG流程，通过对文档自动抽取实体和关系构建图谱，实现全局语义理解和多跳推理。相比传统RAG，GraphRAG在摘要生成、跨文档问答等任务上提升显著。

GraphRAG 知识图谱 微软

2. Agentic RAG — 智能体驱动检索

Agentic RAG将AI Agent的自主决策能力融入检索流程。Agent自主判断是否需要检索、选择检索策略、评估结果质量并决定是否重试或改写查询。典型框架包括LangGraph Agentic RAG、LlamaIndex Agent。

核心能力：自适应查询路由、多源检索融合、检索结果自我验证、工具调用增强检索。

Agentic RAG 自主检索

3. 多模态RAG (MM-RAG)

2026年多模态RAG成为热点：支持同时检索文本、图像、表格、音频等多模态数据。ColPali、ColQwen等视觉检索模型可直接从文档截图/PDF中检索，无需OCR预处理，大幅提升复杂文档检索效果。

多模态RAG ColPali

4. 混合检索与精排进化

BM25 + 稠密向量 + 稀疏向量的混合检索成为标配。Cross-encoder重排序模型（如BGE-Reranker v2、Cohere Rerank 3.5）显著提升检索精度。Late Chunking、Contextual Retrieval等新技术优化分块策略。

混合检索 ReRanker

5. 向量数据库新格局

2026年向量数据库市场持续演进：Milvus 3.0支持GPU加速索引，Pinecone Serverless降低运维成本，Weaviate 2.0强化多模态支持，pgvector在PostgreSQL生态中快速普及。

选型建议：百亿级用Milvus，快速原型用Pinecone Serverless，PostgreSQL用户用pgvector。

向量数据库 Milvus Pinecone