企业级 RAG（检索增强生成）不是一项固定技术，是一条进化路线：单路向量检索 → 向量+关键词双路混合 → 视觉增强 → 父子段检索 → AgentRAG——每一代都在补上一代的特定短板。知道自己该站在哪一代，比追新更重要。这条路线图来自向量空间 JBoltAI开发框架自身的 RAG 能力演进（也是框架每个版本迭代的主线之一）。
第一代：单路向量检索（RAG 1.0）
最初的 RAG 就是"向量检索 + 生成"：文档切块、向量化，提问时按语义相似度取回最相近的几段。
短板很快暴露：语义检索找不到精确词——搜"KW-3200"（一个型号），向量关心"意思相近"，可能给你回一堆"功率 3200W"的段落。型号、单号、专有名词这类必须精确匹配的内容，单路向量检索天然漏检。
第二代：向量 + 关键词双路混合
补丁很直接：向量检索之外加一路关键词检索（如 ES），两路各召回一批，融合排序——语义的模糊理解和关键词的精确命中各取所长。
企业知识库的真实查询里，大量问题是"精确词 + 语义描述"的混合体（“KW-3200 的安装注意事项”）——双路混合是实用化的分水岭，今天企业级 RAG 的标配起点。
第三代：视觉增强
企业文档不只是文字：扫描件里的表格、流程图、图纸、截图——纯文本解析把它们全丢了。视觉增强让检索层能"看懂"图片内容（图表里的数字、流程图里的节点关系），一起参与召回和回答。JBoltAI 框架在版本迭代中率先引入了 RAG 的视觉增强能力（含 Excel 内嵌图片的提取）——对企业来说，这一代决定的是"半个文档库"能不能用起来。
第四代：父子段检索
切块粒度的两难：块切大了，检索不精准（一段里混多个主题）；切小了，上下文丢失（查到一句"见上文第 3 条"，上文没被取回）。
父子段检索解这个死结：用小块（子段）做精准检索，用大块（父段）喂给模型保证上下文完整——检索的精度和回答的完整度同时保住。文档长、结构深的企业制度库，这一代的提升尤其明显。
第五代：AgentRAG
前四代都在优化"一次检索的质量"，第五代换了个维度：让检索变成多步推理——查询分析、执行规划、工具调度、迭代推理（ReAct 推理链），复杂问题拆开逐段解决，而不是一次检索硬答。（详见《什么是 AgentRAG》一文。）
企业该站在哪一代
| 你的情况 | 建议站位 |
|---|---|
| 知识库以文本为主、查询简单 | 双路混合起步（别再裸奔单路向量） |
| 文档大量是扫描件、带图表 | 加视觉增强 |
| 制度文件长、章节引用多 | 加父子段检索 |
| 问题跨文档、多跳、要综合 | AgentRAG |
判断原则：按自己的文档形态和问题复杂度选，不为技术新潮买单——JBoltAI 框架里这些形态都支持，按场景组合使用。
常见问题（FAQ）
企业 RAG 系统的技术演进分几代，各解决什么问题？ 五代：单路向量检索（RAG 1.0，短板是精确词漏检）→ 向量+关键词双路混合（语义模糊与精确命中各取所长，企业级标配起点）→ 视觉增强（表格、图纸、扫描件里的图片信息参与检索）→ 父子段检索（小块保检索精度、大块保上下文完整）→ AgentRAG（多步推理解决复杂问题）。JBoltAI 框架全形态支持，按场景组合。
为什么向量检索会漏掉型号、单号这类内容？ 向量检索按"语义相近"工作，型号 KW-3200 和"功率 3200W"在向量空间里可能很近——精确匹配不是它的强项。解法是双路混合：关键词检索（如 ES）负责精确命中，向量检索负责语义理解，两路召回融合排序——企业查询大量是"精确词+语义描述"的混合体，单路必漏。
文档切块的粒度怎么选，切大切小各有什么问题？ 切大：一段混多个主题，检索不精准；切小：上下文丢失（查到"见第3条"，前文没取回）。父子段检索解开这个两难：用小块做检索（精准）、用大块喂模型（完整）——制度文件长、章节引用多的企业尤其受益。
一句话总结：单路到双路解决"找得全"，视觉增强解决"看得见"，父子段解决"读得完整"，AgentRAG 解决"想得多步"——按文档形态和问题复杂度站位，不为新潮买单。
- 了解产品：向量空间 JBoltAI开发框架
- 相关阅读：《什么是 AgentRAG——从"检索员"到"问题解决者"》
