Modular RAG
就是把 Naive RAG 拆成可替换的模块。你现在的系统就是这个：检索模块（ES）+ 精排模块（Jina Reranker）+ 生成模块（Claude）。

 检索层 — 你已经实现了其中一个
Hybrid RAG（你已经有了）
BM25关键词检索
+
kNN向量检索
↓
RRF融合
↓
Jina Reranker精排
这就是你现在的双路混合检索，已经在这一层了。

Hierarchical RAG
多层级检索，先找”哪一章”，再找”章里的哪一段”。你的数据天然有这个结构（书名→篇题→ot1→ot2），但你目前还没利用这个层级来检索。

Multimodal RAG
支持图片、音频。跟你的项目关系不大，暂时不需要考虑。

 结构推理层 — 这是 KG-RAG 所在的位置
GraphRAG（你在问的那个）
微软提出的，流程是：
先把所有文档喂给 AI 抽取实体和关系
→ 建成知识图谱
→ 查询时沿图谱遍历
→ 找到相关子图
→ 给 Claude 生成答案
用你的数据举例：
用户问「神圣三一和新耶路撒冷有什么关系？」

Naive RAG：搜索含这两个词的段落，可能找到不相关的

GraphRAG：
[神圣三一] → 相关主题 → [父/子/灵] → 各自功用
[新耶路撒冷] → 组成 → [城/门/根基]
[父] → 体现于 → [新耶路撒冷的宝座]
沿关系链把两个概念连起来，找到真正相关的内容

Multi-hop RAG
不一定要建图谱，但需要多次检索：
第一次检索：找到「新约」相关内容
发现需要了解「旧约预表」才能回答
第二次检索：找「逾越节」「羔羊」等预表内容
把两次结果合并再生成答案
你的方式二（有负担说明时解析成多个检索方向）其实已经有 Multi-hop 的雏形了。

Federated RAG
从多个不同来源同时检索（ES + 数据库 + 外部 API）。你已经有多个ES索引，这个已经部分实现。

 认知层 — AI 自己决定怎么查
Agentic RAG
不是你设计好检索流程，而是让 AI 自己决定：
用户问「帮我做一个关于重生的纲目」
AI自己判断：
「我需要先查重生的定义」→ 检索
「我需要找相关经节」→ 再检索
「我需要看历史上的讲道怎么说」→ 再检索
「内容够了，开始生成」
AI 是主控，检索是工具。你现在是你设计好流程，AI 执行。

Self-Reflective RAG
生成完答案后，AI 自己检查：
生成纲目
→ AI检查：「这个大点引用的经节对吗？」
→ 发现约3:16用在这里不够准确
→ 重新检索更合适的经节
→ 修正后再输出
减少幻觉，对你的神学准确性要求很有价值。

Planning RAG
先把复杂任务拆解，再分别检索：
用户要「做一个关于神圣经纶的系列纲目（5篇）」
AI先规划：
第1篇：神的心意
第2篇：基督的工作
第3篇：灵的运行
第4篇：召会的建造
第5篇：新耶路撒冷
然后对每篇分别检索、分别生成

Memory RAG
记住用户历史偏好：
「上次这个用户喜欢高真理浓度的纲目」
「这个用户常用约翰福音和以弗所书」
→ 下次检索自动偏向这些内容

对照你的 Copypan，你现在在哪里
认知层   [ Agentic ] [ Planning ] [ Self-Reflective ] [ Memory ]
↑ 未来可以加
结构层   [ GraphRAG ] [ Multi-hop ] [ Federated ]
↑ 方式二已有雏形    ↑ 多索引已有
检索层   [ Hybrid  ] [ Hierarchical ] [ Multimodal ]
↑ 已实现
基础层   [ Naive ] [ Modular  ]
↑ 已实现

结论
GraphRAG        → 建知识图谱，支持概念推理
+ Hybrid        → 你已有的双路检索，继续保留
+ Self-Reflective → 生成纲目后自动验证经节是否准确
+ Agentic       → 复杂纲目让AI自己决定检索几轮
对你的项目来说，最值得加的是 GraphRAG + Self-Reflective，因为：

GraphRAG 解决”概念关系推理”，这是纲目生成最需要的
Self-Reflective 解决”经节引用准确性”，这是神学内容最关键的质量要求

Agentic 和 Planning 可以后期再加，现在先把图谱建起来更实际。