当大模型从"会聊天"走向"能干活"，一个根本性问题浮出水面：模型自身的参数记忆，能承载多少真实世界的知识？
答案是——远远不够。参数记忆存在三大硬伤：知识更新滞后（训练数据有截止日期）、专业领域深度不足（通用模型对化工工艺一知半解）、幻觉不可控（没有外部校验，模型会"编造"答案）。
RAG（检索增强生成）因此诞生。2023年，它是大模型的"临时补丁"；2026年，它已成为AI智能体的核心认知基础设施。从SimpleRAG到AgenticRAG，七大范式的进化不是替代关系，而是针对不同痛点的互补工具集——每一层进化，都在回答一个更深层的问题。
一、SimpleRAG：永恒的基石
一切RAG变体的起点，是一条简单的三段流水线：索引 → 检索 → 生成。
用户提问后，系统先从向量数据库中检索语义最相近的文档片段，再将检索结果喂给大模型，由模型综合生成答案。
2026年，SimpleRAG已不再是"朴素版"。混合检索（向量语义+BM25关键词）、Cross-Encoder重排序、语义分块、元数据过滤、语义缓存——这些工程增强让它成为所有高级变体的原子单元。
但它的天花板也很明确：单次检索无法覆盖多跳推理，Top-K策略在全局性问题前力不从心，检索到错误文档时模型极易被误导。在工业巡检场景中，SimpleRAG适合回答"这个阀门的额定压力是多少"这类单点事实查询——但面对"为什么反应釜温度异常升高且伴随压力波动"这样的多因素关联诊断，它束手无策。
二、CorrectiveRAG与Self-RAG：事实核查的两条路径
面对SimpleRAG的"信任盲区"，两种校验范式从不同角度给出了答案。
CorrectiveRAG的逻辑是"信任但验证"——在检索与生成之间插入一道质量门控。检索评估器对每条文档打分：高分直接放行，中等分数保留但触发补充检索，低分文档直接丢弃并触发网络搜索回退。2026年，CorrectiveRAG已进化出自适应评估器——医疗场景容错率极低，闲聊场景则宽松放行。
Self-RAG走了一条更激进的路：让模型内化"良知"。它通过训练让模型学会四个反思Token，每一步都是模型的"内心对话"，不达标则重启流程。
核心差异：CorrectiveRAG是外部质检，Self-RAG是模型内化自省。前者可控可调，后者更深更自然但训练数据质量决定上限。在化工安全巡检中，Self-RAG的价值尤为突出——当模型面对"这个异常读数是传感器故障还是真实泄漏"的歧义判断时，内化的反思机制能显著降低误判率和幻觉率。
三、GraphRAG：结构化知识的复兴
当问题从"查一个事实"升级为"理解一段关系"，向量检索的局限性暴露无遗。GraphRAG的核心信念是——"结构"比"向量"更能承载复杂知识。
2026年，GraphRAG生态已形成三大支柱：LightRAG（双层检索+增量索引，中小规模文档场景首选）、nano-GraphRAG（零依赖、7B小模型友好，边缘设备与隐私敏感场景的利器）、KAG（融合现有知识图谱+Schema约束+逻辑推理，医疗/金融/法律专业领域深度助手）。
对工业巡检而言，GraphRAG的价值在于——它能回答"这个设备故障与去年同类型事故有什么关联"这类跨文档、跨时间线的多跳推理问题。变电站巡检报告、设备维修日志、行业标准文档不再是孤立的信息孤岛，而是图谱上的关联节点。
四、AgenticRAG：2026年RAG终极形态
所有前述范式都在解决"检索质量"问题。但2026年，真正的挑战已从"检索质量"转向"自主决策"——AI智能体需要自己判断什么时候检索、用什么工具、检索到什么程度才算够。
AgenticRAG从"被动响应"走向"主动求解"，核心架构源自军事领域的OODA循环：Observe（观察）→ Orient（定向）→ Decide（决策）→ Act（执行）→ 反思迭代。与传统RAG的本质区别在于：控制流从线性预定义变为动态循环，检索时机从"每次必检索"变为"自主判断按需检索"，工具使用从仅限检索器扩展为任意工具。
2026年关键技术进展：MCP协议和A2A协议标准化，让Agent可以像人类调用工具一样自然地调用外部能力；多Agent协作通过消息总线实现团队式协同；Human-in-the-Loop在关键决策点暂停请求人类确认。
五、工业巡检中的RAG选型实战
理论图谱清晰了，落地选型才是真考验。工业巡检场景的RAG选型，遵循一个简单原则：没有银弹，只有权衡。
设备参数查询——SimpleRAG + Rerank，单点事实，速度快，成本低；异常根因分析——GraphRAG / KAG，需要跨文档多跳推理，实体关联是关键；安全合规审查——Self-RAG / CorrectiveRAG，容错率极低，每一步都需要事实校验；综合巡检报告生成——AgenticRAG，多步骤、多工具调用、动态规划；边缘端离线巡检——nano-GraphRAG，7B小模型+零依赖，本地优先。
实际生产中，极少单独使用某一种范式。混合架构才是常态：Agentic Graph-CRAG让Agent主控，动态调用GraphRAG处理全局推理或CRAG保障高精度事实——这正是工业智能体从"能用"走向"好用"的关键一步。
让每一次巡检都有知识撑腰，不只靠经验，更靠认知。