作者：傅榕锋，OceanBase 高级技术专家

在上一篇文章中，我们介绍了可替代关系型数据库+向量数据库+文档数据库“三库并行”的AI原生数据库seekdb。在实际应用场景中，seekdb作为底层数据库，上层还有许多业务需要的能力组件，比如对检索、上下文工程、记忆等。由于大模型在训练时无法包含企业私有知识，也难以跟上最新资讯的变化。为了解决这个问题，我们引入 RAG（检索增强生成）。当用户提问时，系统先从外部知识库中检索相关文档，再将这些内容作为上下文输入给大模型，辅助它生成更准确、及时的回答。简单来说， RAG = “查资料 + 写答案” ——让大模型不再“凭记忆瞎猜”，而是“有据可依”。

快来关注我，获取 OceanBase 第一手的产品信息和技术资源，与行业大咖 “唠” 出真知！

RAG 架构演进：从 Naive RAG 到 Modular RAG

RAG 的发展经历了三个典型阶段：Naive RAG → Advanced RAG → Modular RAG，逐步从简单流程演变为可灵活组装的模块化系统。

1. Naive RAG：基础范式

最原始的 RAG 架构包含三个核心步骤。

• Indexing：将文档切分并嵌入向量。
• Retrieval：根据用户查询检索相关片段。
• Generation：将检索结果输入大模型生成回答。

该方案结构简单、易于实现，在通用场景下表现良好，但缺乏对检索质量的优化能力。

2. Advanced RAG：检索增强

为提升召回效果，Advanced RAG 在检索前后引入了增强机制，显著提升检索准确率，避免“垃圾输入导致错误输出”。

Pre-Retrieval（检索前）

• Query Rewrite：对用户问题进行语义改写，提升匹配精度。
• HyDE（Hypothetical Document Embedding）：先生成假设答案，再用于检索，提高相关性。

Post-Retrieval（检索后）

• Rerank：使用轻量模型对召回结果重新排序。
• Filter：过滤无效或低质量片段，减少噪声干扰。

3. Modular RAG：模块化重构

随着应用场景复杂化，Advanced RAG 演进为 Modular RAG，将 Indexing、Pre-Retrieval、Retrieval、Post-Retrieval、Generation 五个阶段丰富并进行模块化，整个流程拆解为多个可插拔模块，支持按需组合，开发者可根据业务需求自由拼装最适合的 RAG 流程，包含如下模块。

• Chunk Optimization：优化文本切片策略，提升上下文完整性。
• Structural Organization：构建知识层级结构，支持多粒度检索。
• Query Transformation / Expansion：扩展查询维度，提升召回广度。
• Retriever Selection：支持混合检索（关键词 + 向量 + SQL 等）。
• Compression & Selection：压缩长文档，选择最优片段。
• Verification：验证输出是否合规、是否存在幻觉或隐私泄露。
• Routing：根据问题类型选择不同处理路径。
• Orchestration：控制执行流程，决定是否需要检索、何时生成。
• Knowledge Guide：引导推理路径，结合知识图谱进行结构化推理。

总而言之，Naive RAG 适合快速验证和简单问答、Advanced RAG 提升了检索质量、Modular RAG 实现了高度灵活性与可扩展性，能够应对复杂、多样化的 AI 应用场景。

RAG 落地的困境：一周出 Demo，半年用不好

但当 RAG 在生产落地后，暴露了许多问题，包括内容缺失、高相关内容缺失、排序后内容缺失、未提取出内容、格式错误、不够/过于细节、内容不完整、遇到扩展性问题、结构化数据处理、复杂 PDF、上下文问题、模型安全性。归根结底可以分为文档解析问题和检索问题两类。#PowerRAG 针对这两类问题进行了解决，并加入了一些新能力。

PowerRAG ：帮助提升 RAG 效果

PowerRAG 是基于开源项目 RAGFlow 深度优化并二次开发的 RAG 产品，采用 Apache 2.0 协议开源。它以 OceanBase 作为一体化数据处理底座，将文档解析、切片、存储与检索等核心流程全部集成于 OceanBase 中，实现高性能、高可用的数据支撑。与原始 #RAGFlow 相比，PowerRAG 主要增强优化了文档处理、数据检索和效果评估反馈三个关键模块，支持原子 API （例如解析、分片）提供。

文档解析：构建 AI 可理解的知识源

传统文档切片常导致语义断裂、信息丢失。PowerRAG 通过多模态解析与智能分块，实现高质量知识输入。下文以一个比较复杂的文档为例，介绍文档处理的流程及模块。

1. 文档解析与分块：识别页眉/页脚、段落、图像、表格等不同模块、不同模块按照不同的处理流程进行处理。
2. 智能过滤：自动识别并剔除无意义内容（如纯页码），避免污染知识库。
3. 段落上下文保留：由于段落内容较多，因此引入标题信息，重建段落间的逻辑关联。
4. 图像语义识别：使用视觉模型对图像进行语义查询，针对流程图、饼图等进行图像裁剪，使用专用模型提取文本描述。
5. 表格结构识别：将表格转化为结构化字段（JSON/键值对），提升可检索性。
6. 最终，每个分块均为“语义完整、结构清晰”的知识单元，支持后续高效检索与生成。

知识检索：充分利用数据库混合检索能力

PowerRAG 基于 OceanBase-CE/seekdb 构建，全面支持全文索引、标量+向量的混合检索（包括前、后过滤）等多种混合检索模式，解决传统方案中检索能力不足、性能滞后的问题。

全文 + 向量

• 分词器：内置高性能中文分词器，同时支持通过插件扩展韩语、日语、泰语等小语种分词能力，满足全球化场景需求。
• 支持实时索引更新：不同于 Elasticsearch 等产品存在索引延迟，OceanBase-CE/seekdb 支持写入即生效，这对 RAG 中的“反思-写回”机制至关重要——例如 Agent 发现错误后立即更新知识，下一次查询即可生效。
• 支持 NL Mode（自然语言查询）：用户输入的原始问题（如“有没有支持16GB内存以上的笔记本？”）可直接用于全文检索，无需应用层手动切词。全文索引使用的 BM25 Token 分值算法和检索使用的算法相同，确保 Token 对齐，避免“查不到”的问题。

标量 + 向量

系统内置优化器，能根据过滤率动态决定执行顺序：高过滤率时先做标量过滤再向量检索（前过滤），低过滤率时则反向执行（后过滤），甚至支持迭代过滤等高级策略，最大化性能。

JSON + 向量

支持 JSON 等其他多种数据类型的高效解析和索引。在 RAG 场景中，每个文档片段通常附带元数据（如来源、分类、时间）。OceanBase-CE/seekdb 完整支持 JSON 字段的在线索引与查询，避免“只能存不能查”的窘境。

效果评测：让 RAG 可以“进化”

RAG 系统上线只是起点，持续优化才是关键。PowerRAG 引入全链路效果评估与反馈机制，让系统具备“自我进化”能力。

BadCase 分析治理

• 通过异常监控发现低质量回答。
• 结合根因分析（AI 分类、归类、分发、方案）定位问题。
• 提供任务管理（badcase 任务分发、进度跟踪）、方案配置，推动闭环修复。

GoodCase 控掘

• 捕捉用户认可的回答。
• 生成典型用例，用于训练和优化模型偏好。
• 支持数据标注与场景沉淀。

Prompt 管理

• 提供 #Prompt 库、版本管理与调用追踪。
• 支持快速回滚历史版本，避免调整失误导致服务退化。

评测

• 支持评测模板设计、执行与结果分析。
• 验证新模块、新模型是否适配当前场景。

观测与可视化

• 多源链路数据采集与实时处理。
• 观测数据结构化，支持可视化展示。
• 全流程可观测，支撑快速定位与优化。

PowerRAG 的典型应用场景

PowerRAG 作为基于 RAGFlow 深度优化的企业级 RAG 平台，已成功落地多个复杂业务场景。其核心优势在于深度文档理解、高精度检索召回、原子化 API 集成能力，适用于不同规模与需求的企业应用。

数据密集型 RAG 场景：处理复杂高价值文档

实际案例：金融机构季度/年度财务报告问答系统。在金融、审计等专业领域，文档通常包含大量表格、图表、扫描件及复杂排版结构（如多栏布局、嵌套标题）。传统方法难以准确提取关键信息，导致知识库质量低下。

PowerRAG 核心优势：

• 支持业界领先的 SOTA 解析模型（如 dots.ocr、MinerU），实现对 PDF、扫描件中图像、表格、文本的精准识别。
• 能够从复杂布局中提取结构化数据（如收入表、资产负债表）并生成可检索片段。
• 保留原始上下文关系，确保生成回答具备事实依据。

应用价值：让“看不懂的财报”变为“可查询的知识资产”，支撑智能问答、合规审查、趋势分析等高级应用。

需要精准引用的问答场景：支持可信知识输出

实际案例：制造业专业技术支持与故障排除知识库。在工业、IT 运维等领域，用户不仅需要答案，更要求每一步操作有明确出处（如“根据《设备维护手册第5章》执行步骤3”）。这要求系统具备高精度召回 + 可溯源推理能力。

PowerRAG 核心优势：

• 实现多路召回 + 融合重排序，支持向量、BM25、自定义评分混合检索。
• 综合语义相关性与关键词匹配，提升结果准确性。
• 所有召回片段均关联原始文档位置，支持“引用溯源”，增强用户信任度。

应用价值：构建“可解释、可验证”的专业级知识问答系统，满足高可靠性业务需求。

微服务集成场景：作为上游能力模块被调用高性能 RAG 微服务，API 集成 Dify 等平台

实际案例：混合部署企业内容管理系统（ECM）。许多企业已有成熟的内容管理平台（如 ECM、OA、知识库系统），希望在不重构原有架构的前提下引入 AI 能力。PowerRAG 提供了轻量级、低耦合的集成方案。

PowerRAG 核心优势：

• 提供原子化 API 接口，包括文档解析、智能切片、向量/全文召回。
• 支持通过 SDK 方式快速接入 Dify、LangChain 等主流 AI 平台。
• 可作为独立微服务部署，无缝集成至现有系统。

应用价值：以插件式方式赋能传统系统，实现智能化升级，降低改造成本与技术门槛。

在一个先进的AI Agent中，除了RAG能力，还需要一项记忆能力。如果说PowerRAG（检索增强生成）是上下文工程的一种重要实现手段，那么记忆能力是为RAG（乃至更广泛的Agent系统）提供持续、结构化上下文的支撑技术。下一篇文章，讲述OceanBase在上下文工程中记忆能力的实践。