Retrieval-Augmented Generation (RAG) рассматривается как практический способ повысить обоснованность ответов больших языковых моделей за счёт обращения к внешним источникам знаний. В работе выполнен сравнительный и критический анализ архитектур GraphRAG, Knowledge-Augmented Generation (KAG), Cache-Augmented Generation (CAG), Hypothetical Document Embeddings (HyDE), Fusion-in-Decoder (FiD) и Atlas. Сопоставление проведено по ряду прикладных критериев: точность ответов, устойчивость к галлюцинациям, задержка и вычислительные затраты, оперативность обновления источников и сложность интеграции. Показано, что универсально лучшего решения не существует: FiD и Atlas обеспечивают высокое качество на сложных запросах ценой ресурсоёмкости и инженерной сложности; GraphRAG эффективен в доменах с выраженными связями между сущностями; HyDE повышает полноту извлечения при отсутствии данных для обучения ретривера; CAG снижает латентность при условии ограниченного и относительно статичного корпуса; KAG минимизирует ошибки за счёт логического вывода, но имеет более узкую применимость. Сформулированы практические рекомендации по выбору варианта RAG с учётом ограничений инфраструктуры и динамики базы знаний, включая сценарии использования в русскоязычных правовых и медицинских системах.