传统RAG的架构通常被概括为索引、检索、生成三阶段。资料指出，它存在检索数据质量不足、模型选择不当等缺点，这些缺点在真实业务中会以四种典型瓶颈的形式暴露出来。理解这四种瓶颈，比记住四个范式名词更有助于选型。
瓶颈一：流程刚性——检索与否无法由模型自主决定
传统RAG的流程是固定的：无论问题是否需要外部知识，都会先检索再生成。这带来两个问题：对常识性问题引入无关噪声，对需要多跳推理的问题又只检索一次。
Self-RAG针对的正是这一瓶颈。资料显示，Self-RAG通过反思token实现LLM自主检索决策。也就是说，模型在生成过程中可以判断“是否需要检索”“检索结果是否相关”“生成内容是否被支持”，把检索从固定前置步骤变成可被模型调控的动作。
适用前提：你的团队已经能稳定运行基础RAG，且主要痛点是“检索被滥用或漏用”，而非知识库本身质量差。取舍在于，反思token会引入额外的推理开销和训练/微调成本，如果业务对延迟极度敏感，需要谨慎评估。
瓶颈二：检索容错——检索失败后没有兜底
传统RAG默认检索结果可用。一旦召回文档不相关或知识库覆盖不足，生成阶段只能基于错误上下文作答，幻觉反而被“有据可依”地放大。
CRAG在检索后引入质量评估与网络搜索兜底。资料明确指出，CRAG的核心动作是评估检索结果质量，并在质量不足时转向网络搜索等外部来源。这相当于在检索与生成之间加了一个质量闸门。
适用前提：知识库存在明确覆盖边界，且允许引入外部检索源。取舍在于，网络搜索兜底会带来可控性下降和合规风险，评估器的准确率直接决定系统上限；如果评估器本身不可靠，兜底可能变成新的错误来源。
瓶颈三：全局建模——局部片段拼不出整体答案
传统RAG基于向量相似度召回片段，擅长回答“某一点是什么”，但面对“整体趋势如何”“多个实体之间是什么关系”这类全局性问题时，片段拼接往往丢失结构。
GraphRAG利用知识图谱与社区摘要支持全局理解。资料将其定位为通过图谱结构和社区摘要来支撑全局性问题的范式。它把知识组织从扁平片段升级为实体—关系—社区的多层结构。
适用前提：领域知识具有明确的实体关系结构，且业务问题确实需要全局视角。取舍在于，图谱构建与社区摘要的维护成本显著高于向量索引，知识更新链路更长；如果业务问题大多是局部事实查询，GraphRAG的投入产出比可能不划算。
瓶颈四：复杂推理——单轮检索无法支撑多步任务
当问题需要多轮检索、工具调用和中间决策时，传统RAG的单次检索—生成循环就不够用了。
Agentic RAG将RAG嵌入Agent循环，支持多轮动态检索。资料指出，Agentic RAG让RAG从静态流程走向具有理解、推理、决策能力的形态，并涉及AI Agent的基本构成与多种核心模式。它把检索当作Agent可调用的工具之一，而非固定阶段。
适用前提：任务本身具有多步性，且系统允许Agent自主规划。取舍在于，Agent循环会放大延迟和成本，错误也可能在多轮中累积；可观测性和终止条件的设计比单轮RAG复杂得多。
选型决策框架
把上述对应关系整理成可执行的判断顺序：
- 先确认瓶颈是否真实存在。如果基础RAG的召回质量本身不达标，优先做检索优化，而不是直接上进阶范式。
- 若痛点是“该检索时不检索、不该检索时乱检索”，评估Self-RAG。
- 若痛点是“检索错了没人管”，评估CRAG。
- 若痛点是“局部片段答不了全局问题”，评估GraphRAG。
- 若痛点是“单轮检索撑不起多步任务”，评估Agentic RAG。
这四种范式并非互斥。资料中提到的RAG四大模式——Naive RAG、Advanced RAG、Modular RAG与Agentic RAG——本身也说明演进是叠加而非替代。工程上更常见的做法是：用CRAG的质量评估思路加固检索层，用Self-RAG的反思机制控制检索触发，在需要全局理解的领域引入GraphRAG，最后用Agentic RAG编排多步流程。
选型的关键不是比较名词优劣，而是先定位当前系统最痛的瓶颈，再选择对应范式，并接受它带来的成本、延迟和复杂度代价。