核心概念

2026 的 RAG 不是一個東西，是三條解法、解三種題。把「查一句話」「跨多份文件推理」「追實體之間的關係」都丟給同一個 RAG，是最常見的架構失誤。

RAG 檢索增強生成架構 的基本原理是讓模型回答前先去翻資料（開卷考）。但「怎麼翻」分成三條路徑，差的不是強弱，是它們在問不同的問題。

Naive RAG 是最直接的一路：問題進來 → 算向量距離 → 撈最相關的 5–10 段 → 餵給模型回答。一發中的，毫秒級完成，每筆查詢約 $0.001。適合「答案就在某一段裡」的單跳問題：請假規則是什麼、這份合約的賠償上限是多少。

Agentic RAG 讓模型不只「撈一次」，而像一個研究助理——先想「我該查什麼」、查完看夠不夠、不夠再查、必要時呼叫計算器或外部工具，最後綜合多輪結果再回答。代價是貴 3–10 倍、慢 2–5 倍（單筆 $0.02–$0.10、回應 8–12 秒）。AI Agent 設計模式 中的 ReAct 迴圈正是 Agentic RAG 的基礎架構。

GraphRAG 在查詢前先做一次性建圖：從整批文件抽出「實體」（人、公司、合約、設備）與它們之間的「關係」，存成知識圖譜。查詢時不算向量距離，而是沿著關係邊走。比喻：Naive 是 Google 搜片段、GraphRAG 是 LinkedIn 順著連結看誰認識誰。建圖成本高，查詢延遲是向量檢索的 2.3 倍。

實測差距比直覺極端。 微軟企業 benchmark 上，GraphRAG 答對 86%、Naive 只有 32%——題目都是「跨文件、跨實體」那種。但同樣的 GraphRAG 在 Natural Questions（單跳事實題）反而比 Naive 低 13.4%，遇到時效性問題（「上週發生什麼」）更掉 16.6%——因為圖譜建好後放著，新事實尚未抽進來。

關鍵要點

選型決策樹——看問題長什麼樣：

問題類型 例子 最佳解
答案就在一個段落裡 產品規格、政策條款、API 說明 Naive RAG
需要多步綜合 + 決策 / 工具 分析 Q3 趨勢、交叉比對五家競品 Agentic RAG
在問實體之間的關係 Server X 掛掉影響哪些客戶？ GraphRAG

成本與延遲比較：

類型 單筆成本 回應時間 建置成本
Naive RAG ~$0.001 毫秒級 低
Agentic RAG $0.02–$0.10 8–12 秒 低
GraphRAG 中（查詢） 向量的 2.3x 一次性高
  • Naive RAG 不是「入門款」，是某些題目的最佳解；每筆都用 Agentic 是不必要的燒錢
  • GraphRAG 的高建置成本在多人重複查詢同一知識庫時才攤得開
  • 2026 主流做法是 Adaptive / Hybrid：用輕量分類器判斷問題複雜度，再路由到對應 RAG 類型

實務應用

生產系統很少只用一種。典型的三層路由：

  1. 分類器判斷問題：單跳 → Naive、多步推理 → Agentic、關係查詢 → GraphRAG
  2. 若使用 GraphRAG 但預算有限，Microsoft Research 的 LazyGraphRAG 把建圖成本降到完整 GraphRAG 的 0.1%，查詢成本是 GraphRAG Global Search 的 1/700，在探索性或低頻查詢場景是更務實的切入點
  3. 優先用 Hybrid 搜尋（BM25 + 向量 + RRF 融合）取代純向量 Naive RAG——Databricks 實測 Recall@10 從 74% → 89%，成本幾乎不增加

自己的判斷口訣：先問「這題要幾跳」，再問「這題在問關係還是事實」，最後才看預算。

延伸觀點

三篇跨來源交叉驗證的收斂觀點：

1. 任何單一 RAG 方法都有盲點，組合才是正解。 arXiv 系統評估（2025/02）與 Microsoft Research 的實測均指出：針對不同查詢類型混用 RAG 策略，表現穩定優於任何單一方法。這不是妥協，是正確的系統設計。

2. 成本與品質之間的取捨是主設計軸。 GraphRAG 代表一個極端（最高品質、最高成本）；LazyGraphRAG 的出現說明圖譜方向本身沒問題，問題是工程實作的粒度。LinkedIn 部署 GraphRAG 後，MRR 提升 77.6%、工單解決時間縮短 28.6%——這種場景值得高成本；但個人助理的日常問答不值得。

3. Agentic RAG 更接近「Agent」而非「RAG 升級版」。 它的決策迴圈讓它能處理需要工具呼叫的複雜任務，Databricks DataDave 在複雜分析查詢上達 95% 準確率。但這個數字的前提是「問題本來就需要多步推理」——用 Agentic 解單跳問題，等於用砲打蚊子。

相關頁面：向量資料庫選型：Pinecone、Weaviate、Qdrant 與 ChromaDB 比較、嵌入模型基礎與選型、Agentic AI 企業落地現實：基礎建設障礙與突破策略

反向連結

以下頁面引用了本頁：