1. 基于向量的语义检索（最主流）

这是当前 RAG 中最常用的检索方式，核心是将文本转化为向量（Embedding），通过计算向量相似度匹配信息，能理解文本的 “语义含义” 而非仅匹配关键词。

• 核心逻辑：用大模型将查询语句和知识库文档都转化为高维向量，通过余弦相似度、欧氏距离等算法，找出与查询向量最相似的文档向量。
• 适用场景：处理非结构化数据（如文档、对话记录、论文），或查询意图较模糊、需要 “理解” 的场景，比如 “解释区块链的核心原理”“总结某篇文章的观点”。
• 关键组件：依赖向量数据库（如 Milvus、Chroma）和 Embedding 模型（如 BERT、Sentence-BERT）。

2. 基于关键词的精确 / 模糊检索（传统基础）

这种方式更贴近传统搜索引擎逻辑，通过关键词匹配知识库中的内容，不涉及语义理解，重点在 “字符层面的匹配”。

• 核心逻辑：
  • 精确匹配：查询关键词需与知识库中的词汇完全一致（如 “检索产品 ID 为 A123 的规格”）；
  • 模糊匹配：允许关键词存在部分差异（如错别字、同义词、前缀后缀，通过正则表达式、同义词库实现）。
• 适用场景：处理结构化数据（如数据库表、表单）或查询目标明确的场景，比如 “查询 2024 年 3 月的销售额”“查找用户名为‘张三’的订单”。
• 关键组件：依赖关系型数据库（如 MySQL）的索引、全文搜索引擎（如 Elasticsearch）。

3. 混合检索（融合前两者优势）

为了兼顾 “语义理解的广度” 和 “关键词匹配的精度”，混合检索会结合向量检索和关键词检索的结果，进一步优化召回效果。

• 核心逻辑：先通过向量检索获取语义相关的候选文档，再用关键词检索对候选结果二次筛选（或反之），最后综合排序返回结果。
• 适用场景：对检索精度和召回率要求都高的场景，比如企业知识库问答（既需要理解 “如何解决报销异常” 的语义，又需要匹配 “报销流程”“异常代码” 等关键词）、客服对话系统。
• 常见策略：结果加权融合（给两种检索结果分配不同权重）、级联检索（先用一种方式缩小范围，再用另一种方式精准筛选）。