1. DeepRAG:当大语言模型学会"边思考边检索"
在复杂问题求解过程中,人类专家往往会经历这样的认知循环:先根据已有知识形成初步假设,然后针对知识缺口查找资料,再基于新证据修正推理路径。这种动态的知识获取方式,正是当前检索增强生成(RAG)系统所欠缺的关键能力。传统RAG框架通常采用"检索-生成"的线性流程,就像让学生在考试时先翻完所有参考书再答题,既低效又容易迷失在海量信息中。
清华大学与智谱AI团队提出的DeepRAG框架,首次实现了检索操作与大模型思维链的深度融合。其核心突破在于将检索行为转化为模型思考过程中的显式动作,通过特殊标记<search>实现"认知-获取"的动态平衡。这种机制使得7B参数的模型在HotpotQA多跳问答任务上准确率提升近10%,同时减少30%的不必要检索,展现出惊人的效率提升。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 传统RAG的三大困境与DeepRAG的破局思路
2.1 检索-生成割裂的连锁反应
当前主流RAG系统面临的根本矛盾在于:检索与生成两个环节的决策过程相互独立。这会导致三个典型问题场景:
-
初始查询偏差:当用户提问"爱因斯坦获得诺贝尔奖的理论对现代量子计算有何影响?"时,传统系统可能直接检索"爱因斯坦 诺贝尔奖",却错过关键中间步骤——需要先确认具体获奖理论(光电效应),再追溯该理论与量子力学发展的关联。
-
证据链断裂:在分析企业财报时,若需要对比行业平均利润率,传统方法可能一次性检索所有相关企业数据,导致关键比较维度被淹没在数十个无关财务指标中。
-
噪声放大效应:医疗诊断场景中,同时检索所有症状相关论文会使模型注意力分散,反而降低对关键病理特征的识别准确率。
2.2 DeepRAG的认知架构创新
DeepRAG的创新性体现在将检索行为建模为思维链的有机组成部分。其工作流程模拟人类专家的研究过程:
- 假设驱动检索:模型先形成"如果X成立,那么Y应该为真"的假设,再针对X发起定向检索
- 动态证据整合:每个检索结果会触发对当前推理路径的验证或修正
- 迭代知识构建:通过多次"思考-检索-修正"循环逐步逼近正确答案
这种机制在生物医学领域的体现尤为明显。当回答"药物A与B联用是否安全"时,DeepRAG会:
code复制思考:需要确认药物A的
