01. Hybrid Retrieval

• Konsep Utama: dense + sparse

• Penjelasan: Menggabungkan vektor semantik (dense retrieval) dan pencocokan kata kunci (sparse retrieval / BM25) ke dalam satu pemeringkatan terpadu (rank fusion).

• Alur Data:

  query → (embed → vector db & BM25 keyword index) → rank fusion → top-k → LLM → answer

02. Graph RAG

• Konsep Utama: nodes + edges

• Penjelasan: Menjawab pertanyaan yang berbasis pada hubungan antar-entitas (entity relationships), bukan sekadar potongan teks tunggal (single chunks).

• Alur Data:

  query → entity extract → walk knowledge graph → subgraph + community summary → LLM → answer

03. Agentic RAG

• Konsep Utama: plan, don't fetch

• Penjelasan: Sebuah planner agent memilih alat pencarian yang tepat (pencarian vektor, web, atau SQL/API) dan melakukan iterasi sampai yakin dengan jawaban sebelum meneruskan ke reasoner agent.

• Alur Data:

  query → planner agent → (vector search / web search / SQL / API) → reasoner agent → answer

04. Corrective RAG (CRAG)

• Konsep Utama: grade then trust

• Penjelasan: Memberikan skor evaluasi pada dokumen yang diambil terlebih dahulu. Hanya konteks terpercaya yang dikirim ke model. Jika ragu-ragu atau gagal, sistem melakukan query rewrite atau pencarian web cadangan.

• Alur Data:

  query → retrieve → grade relevance → [ Pass: LLM | Unsure: rewrite query | Fail: web fallback → LLM ] → answer

05. Multimodal RAG

• Konsep Utama: text · image · table

• Penjelasan: Menggunakan satu indeks ruang vektor bersama (shared index) untuk berbagai bentuk format data (teks, gambar, tabel), yang diambil menggunakan model berbasis penglihatan (vision-aware model).

• Alur Data:

  [text / images / tables] → CLIP-style encoder → unified vector index → vision LLM → answer