Naive RAG
RAG系统的初级形态，采用「检索—拼接—生成」简单流程，能实现基本功能但在准确率和召回质量上存在明显短板
时间轴 (近 90 天)
Naive RAG 流水线的典型步骤是：切文档、做嵌入、按余弦相似度取 top-k、塞进提示词、让模型作答。
在 Anthropic 的测试中，Naive RAG 的失败率（正确文本块不在 top 20 中）为 5.7%，上下文嵌入降至 3.7%，上下文 BM25 降至 2.9%，加上重排序后降至 1.9%。
Naive RAG 的工作流程是：将用户查询转换为向量，执行一次向量相似度搜索，取回最相关的片段，然后把上下文连同原始问题一起输入 LLM 生成答案
Naive RAG 的优势在于实现简单、响应快，适合原型验证和快速演示
Naive RAG 的短板包括：单一向量检索容易忽略精确关键词匹配、无元数据过滤、缺少重排序导致相关性排序不够精细
对于早期验证和小型知识库项目适合使用 Naive RAG，进入生产阶段且对准确性和可溯源性要求高时适合引入 Advanced Hybrid RAG
全部知识事实 (6)
Naive RAG 流水线的典型步骤是：切文档、做嵌入、按余弦相似度取 top-k、塞进提示词、让模型作答。
50%待验证在 Anthropic 的测试中，Naive RAG 的失败率（正确文本块不在 top 20 中）为 5.7%，上下文嵌入降至 3.7%，上下文 BM25 降至 2.9%，加上重排序后降至 1.9%。
50%待验证Naive RAG 的工作流程是：将用户查询转换为向量，执行一次向量相似度搜索，取回最相关的片段，然后把上下文连同原始问题一起输入 LLM 生成答案
50%待验证Naive RAG 的优势在于实现简单、响应快，适合原型验证和快速演示
50%待验证Naive RAG 的短板包括：单一向量检索容易忽略精确关键词匹配、无元数据过滤、缺少重排序导致相关性排序不够精细
50%待验证对于早期验证和小型知识库项目适合使用 Naive RAG，进入生产阶段且对准确性和可溯源性要求高时适合引入 Advanced Hybrid RAG
50%