企业知识库往往不是单一形态产品手册是半结构化表格组织架构是关系型数据帮助中心是HTML页面客服记录是自由文本。面对这些混合形态传统RAG、Graph RAG、Agentic RAG以及ChunkRAG、FastRAG、HtmlRAG等变体各有适配边界。本文不依赖具体版本和性能数字从数据特征与查询类型出发构建一个可操作的选型决策框架。先看数据形态再看查询类型传统RAG的核心流程是“分块—向量化—相似度检索—拼接生成”。它最适合处理自由文本例如FAQ、政策文档、会议纪要。当知识库以段落形式存在、查询以事实型问答为主时传统RAG的工程复杂度最低失败模式也最清晰分块切断语义、相似度匹配忽略关键词、多跳问题无法覆盖。当知识库包含大量半结构化数据表格、键值对、带字段的记录时传统RAG的向量检索容易丢失字段约束。FastRAG的思路是融合模式学习与知识图谱查询针对半结构化数据处理做优化。它适合查询中带有明确过滤条件或聚合需求的场景例如“某产品在华东区的退货率”。代价是引入模式识别与查询转换层工程复杂度高于传统RAG。当知识库是HTML文档且页面结构本身携带语义标题层级、表格、列表、链接时HtmlRAG选择保留HTML结构而非直接压平为纯文本。它适合帮助中心、技术文档、法规页面等场景。失败模式在于HTML噪声导航、广告、脚本可能干扰检索需要额外的清洗与结构裁剪策略。当查询需要关系推理——例如“某供应商的二级供应商是否涉及某类风险”——向量检索难以显式表达实体间路径。Graph RAG结合向量与图检索增强关系推理能力。它适合知识库本身可构建实体关系图的场景如供应链、组织架构、金融关联网络。额外复杂度在于图构建、实体对齐与图查询维护。当查询是多跳、需要工具调用或动态决策时Agentic RAG引入智能体实现多轮推理与工具调用。它适合复杂研究型任务例如“对比三个方案的成本与合规风险并给出建议”。AUTO-RAG则基于LLM自主决策迭代检索适合查询意图不明确、需要逐步澄清的场景。代价是延迟、成本与不可控性上升失败模式包括工具调用错误、循环检索、推理偏离。ChunkRAG通过语义分块与混合过滤提升准确性适合文档边界模糊、传统固定长度分块效果差的场景。它不改变检索架构但增加了分块策略的调优成本。选型决策框架可以用两个维度快速定位数据形态自由文本/半结构化/HTML/关系型与查询类型事实型/过滤聚合型/关系推理型/多跳研究型。自由文本事实型传统RAG或ChunkRAG。 半结构化过滤聚合型FastRAG。 HTML事实型HtmlRAG。 关系型关系推理型Graph RAG。 多跳研究型Agentic RAG或AUTO-RAG。但企业知识库通常是混合形态单一变体难以覆盖全部查询。此时需要组合方案。从单一变体到组合方案的渐进路径第一步用传统RAG或ChunkRAG覆盖自由文本事实型查询建立基线。第二步针对HTML文档引入HtmlRAG保留结构信息。第三步针对半结构化数据引入FastRAG处理过滤与聚合。第四步针对关系推理引入Graph RAG构建实体关系层。第五步在前端引入Agentic RAG作为路由与编排层根据查询类型调用不同检索后端。组合方案的关键不是堆叠变体而是明确路由逻辑与失败回退。Agentic RAG可以作为统一入口但需要设置最大迭代次数、工具调用白名单和超时回退到传统RAG。Graph RAG的图查询结果需要与向量检索结果做融合排序。HtmlRAG的结构化输出需要与ChunkRAG的分块策略协调避免重复检索。工程复杂度与失败模式对照传统RAG复杂度低失败模式为分块断裂、关键词遗漏。 ChunkRAG复杂度中失败模式为语义分块模型偏差。 FastRAG复杂度中高失败模式为模式识别错误、查询转换失败。 HtmlRAG复杂度中失败模式为HTML噪声干扰、结构裁剪过度。 Graph RAG复杂度高失败模式为实体对齐错误、图查询超时。 Agentic RAG/AUTO-RAG复杂度最高失败模式为工具调用错误、循环检索、成本失控。落地建议不要一开始就追求Agentic RAG。先从传统RAG或ChunkRAG建立可观测的基线记录查询类型分布与失败案例。当某一类查询的失败率持续偏高时再引入对应变体。每次引入新变体时保留回退路径并监控延迟、成本与准确率的权衡。组合方案的目标不是技术栈最全而是让每类查询都有明确的处理路径和可接受的失败边界。