链载Ai

标题: DeepRAG：LLM时代的智能检索革命（实测提升准确率21.99%） [打印本页]

作者: 链载Ai 时间: 昨天 17:17
标题: DeepRAG：LLM时代的智能检索革命（实测提升准确率21.99%）

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">隔壁实验室的博士生小李同学在大半夜还盯着屏幕，模型日志疯狂滚动。他的研究对象——最新的大语言模型（LLM）——刚刚生成了一段自信满满却漏洞百出的答案。他苦笑了一下，关掉了对话框。

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">“这不对啊。”

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">他揉了揉太阳穴，想起了最近被炒得火热的“RAG”技术——用外部知识库来增强大模型的准确性。可惜，现有的方案在检索时太过死板，获取的信息往往冗余，甚至会干扰原本的推理逻辑。

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">就在这时，他无意间点开了一篇论文：《DeepRAG——检索增强推理的新范式》^[1]（当然是我推荐给他的）。这篇论文提出了一种全新的思路，把检索增强推理建模为马尔可夫决策过程（MDP），可以在每一步动态决定是否要调用外部知识，从而优化检索效率，提高答案质量。

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">小李心中一震——这不就是自己苦苦寻找的答案吗？

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;display: table;padding: 0.3em 1em;color: rgb(255, 255, 255);background: rgb(183, 110, 121);border-radius: 8px;box-shadow: rgba(0, 0, 0, 0.1) 0px 4px 6px;">传统RAG的困境：该检索的检索不到，不该检索的拼命查

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">检索增强生成（Retrieval-Augmented Generation, RAG）一直被视为解决大模型幻觉问题的关键。然而，在现实应用中，RAG经常面临两个核心痛点：

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;padding-left: 12px;color: rgb(63, 63, 63);">ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: inherit;color: rgb(183, 110, 121);">1. 任务分解无效，检索质量堪忧

ingFang SC", Cambria, Cochin, Georgia, Times, "Times New Roman", serif;font-size: 15px;text-indent: 2em;letter-spacing: 0.1em;color: rgb(63, 63, 63);">现有RAG方法通常采取“简单拆分+统一检索”的方式，即将问题拆解成若干子问题，然后为每个子问题检索相关文档。然而，这种方式有一个严重缺陷：

•拆分不合理：有些问题不需要额外信息，但系统仍然盲目检索，反而引入干扰。
•缺乏决策机制：在什么情况下需要检索，检索多少条内容，现有方法并没有智能判断的能力。

2. 过度检索，噪音大，反而降低准确率

很多RAG系统默认“检索越多越好”，导致大模型需要从海量无关信息中筛选答案，徒增噪音。例如：

• 你问：“2024年最新的Transformer改进方向？”
• 现有RAG可能会检索到大量过时论文，甚至一些无关的基础教程，反而降低回答质量。

这种问题本质上是因为现有RAG缺乏“智能检索决策”能力——而DeepRAG正是为了解决这一痛点而生。

DeepRAG：像人类一样思考的检索增强推理

DeepRAG的核心思想很简单——让大模型像人一样，在每一步决策是否需要检索，而不是机械地调用外部知识库。

1. RAG的决策引擎：引入马尔可夫决策过程（MDP）

DeepRAG的最大创新点在于，它将检索增强推理建模为马尔可夫决策过程（MDP），让系统能在每个推理步骤做出**“检索”或“靠内存推理”**的智能决策：

• 如果大模型“知道”答案，就直接用参数化知识推理。
• 如果大模型“不确定”，才触发检索，并精准选择最相关的信息。
• 这个决策是动态的，不会一开始就把所有问题都丢给检索系统。

这一机制让DeepRAG能够更精准地控制检索过程，减少不必要的噪音。

2. 逐步查询，避免“一次性检索”的信息污染

DeepRAG采用了一种逐步查询（Iterative Retrieval）的方式，而不是“一次性检索”。

• 传统RAG方法一次性检索所有可能的文档，导致信息冗余。
• DeepRAG则会在推理过程中分阶段检索，确保每次检索的内容都是当前推理所必须的。

这种方式避免了模型被无关信息干扰，从而提高最终答案的准确率。

3. 检索与推理的平衡：让LLM自己决定“靠记忆”还是“查资料”

DeepRAG的最大亮点是：它允许LLM自己决定是靠“已有知识”回答，还是“去外部找答案”，而不是默认让RAG介入。

• 例如，当被问到“爱因斯坦是哪一年出生的？”时，DeepRAG知道这是基础事实，不需要检索。
• 但当问题涉及最新研究进展，DeepRAG会自动触发检索，并结合最新资料进行推理。

这一机制大幅减少了检索冗余，使得RAG不仅更智能，还更高效。

实验结果：DeepRAG实测提升准确率21.99%

论文的实验结果表明，DeepRAG在多个基准数据集上的表现都远超传统RAG：

•准确率提升 21.99%：DeepRAG减少了因错误检索导致的干扰，使得最终答案更精准。
•检索效率提升 35.7%：智能决策使得DeepRAG比传统RAG少调用 35.7% 的外部知识库，但最终回答更准确。
•噪音减少 40%：由于采用了逐步检索，DeepRAG避免了无关信息的干扰，使答案更加聚焦。

这意味着，DeepRAG不仅让大模型的答案更准，还让检索过程更轻量，计算成本更低。

如何落地？3个实操建议

如果你想在自己的项目中用上DeepRAG，可以参考以下策略：

1. 结合LangChain，构建智能检索策略

DeepRAG的理念可以用LangChain中的自适应检索（Adaptive Retrieval）来实现，避免盲目检索。

2. 使用强化学习优化RAG决策

DeepRAG的MDP框架可以结合强化学习（RL），让检索策略在实际应用中不断优化。

3. 设计多轮交互，提高推理精度

结合DeepRAG的逐步查询思路，设计多轮交互，避免一次性返回冗余信息。

DeepRAG不是终点，而是RAG的新起点

很多人以为，RAG的未来只是“让大模型接入数据库”这么简单。但DeepRAG的出现告诉我们，智能检索的本质，是让AI自己学会“何时该查、查什么、查多少”。

DeepRAG不是一个终点，而是一个全新的起点。

欢迎光临链载Ai (https://www.lianzai.com/)