# Типы RAG
### 1) Naive RAG (наивный RAG)
- Извлекает документы исключительно на основе векторного сходства между эмбеддингом запроса и сохранёнными эмбеддингами.
- Лучше всего подходит для простых, фактологических запросов, где достаточно прямого семантического совпадения.
**Когда использовать:**
FAQ, справки, поиск конкретных фактов, документация.
---
### 2) Multimodal RAG (мультимодальный RAG)
- Работает с несколькими типами данных (текст, изображения, аудио и т. д.), выполняя эмбеддинг и поиск по разным модальностям.
- Идеален для кросс-модальных задач, например когда на текстовый запрос нужно ответить с учётом и текста, и изображений.
**Когда использовать:**
Поиск по медиа-архивам, анализ документов с картинками, видео/аудио-контент.
---
### 3) HyDE (Hypothetical Document Embeddings)
- Применяется, когда запрос семантически плохо совпадает с реальными документами.
- Сначала генерируется гипотетический документ-ответ на основе запроса.
- Затем используется эмбеддинг этого документа для поиска релевантных реальных источников.
**Когда использовать:**
Абстрактные вопросы, плохо сформулированные запросы, исследовательские задачи.
---
### 4) Corrective RAG (корректирующий RAG)
- Проверяет извлечённые результаты, сравнивая их с доверенными источниками (например, веб-поиском).
- Обеспечивает актуальность и точность данных, фильтруя или исправляя контент перед передачей в LLM.
**Когда использовать:**
Новости, финансы, право, медицина — любые области с высокой ценой ошибки.
---
### 5) Graph RAG (графовый RAG)
- Преобразует извлечённый контент в граф знаний, фиксируя сущности и связи между ними.
- Усиливает рассуждение LLM за счёт структурированного контекста наряду с текстом.
**Когда использовать:**
Сложные доменные знания, онтологии, аналитические и причинно-следственные вопросы.
---
### 6) Hybrid RAG (гибридный RAG)
- Объединяет плотный векторный поиск и графовый поиск в одном пайплайне.
- Даёт более богатые ответы за счёт сочетания неструктурированных и структурированных данных.
**Когда использовать:**
Корпоративные базы знаний, CRM/ERP-системы, сложные аналитические запросы.
---
### 7) Adaptive RAG (адаптивный RAG)
- Динамически определяет, нужен ли простой поиск или многошаговое рассуждение.
- Разбивает сложные запросы на подзапросы для повышения точности и полноты ответа.
**Когда использовать:**
Непредсказуемые пользовательские запросы, диалоговые системы, ассистенты.
---
### 8) Agentic RAG (агентный RAG)
- Использует ИИ-агентов с планированием, рассуждением (ReAct, Chain-of-Thought) и памятью.
- Оркестрирует поиск из разных источников, применяет инструменты и внешние API.
**Когда использовать:**
Сложные рабочие процессы, исследовательские ассистенты, автоматизация бизнес-логики.
#data_engineering
Habr
di 
