K7 · 小结与自测

一图回顾

一句话收束：四个前沿方向，都在补朴素 RAG 的一块短板——GraphRAG 补「多跳推理」、Agentic RAG 补「查一次不够」、长上下文是搭档不是对手、多模态补「只认字」。但没有一个是无脑升级：GraphRAG 建图贵、Agentic 更慢更贵、长上下文有甜区、多模态还不够稳——用哪个，都要看你的问题类型。

要点回顾

小节	两行版
K7.1 GraphRAG	多跳问题（张伟→技术部→李娜→王芳）单段检索捞不回中间跳；GraphRAG 连成图顺关系走，专治关系密集/多跳/全局，代价是建图贵
K7.2 Agentic RAG	把检索从「固定一步」升级成「模型自主使用的工具」，自己决定查几轮；=中篇检索+下篇循环，接下篇 A3.3；单跳别无脑上
K7.3 RAG vs 长上下文	「长上下文杀死 RAG」被成本账证伪；2026 共识是混用（检索定范围+长上下文推理）；小库是长上下文甜区
K7.4 多模态 RAG	让图表扫描件也能查：转文字（简单丢信息）vs 多模态向量（图文同空间）；幻觉带进图像，高风险要人工复核

综合自测

📝 动手自测0/6

1. 「张伟的经理的助理是谁」这类多跳问题，为什么难倒普通 RAG、却能被 GraphRAG 解决？

2. Agentic RAG 本质上是哪两样东西的结合？

3. 2026 年「RAG vs 长上下文」的真相是？

4. 为什么长上下文（哪怕窗口再大）也替代不了 RAG？（选最完整的）

5. 多模态 RAG 的「多模态向量」路线，核心做法是什么？

6. 贯穿 K7 四个前沿方向的一条共同判断是什么？

下一章 K8 · 上生产：原理和前沿都讲完了，还剩最后一道坎——把它交给真实用户。权限、更新、投毒，三件在 demo 阶段不存在、上线第一周全会来的事。