RAG与DeepSeek的碰撞火花
近年来，检索增强生成（Retrieval-Augmented Generation, RAG）成为大语言模型（LLM）应用中的热门技术，它通过结合外部知识库弥补了模型的知识局限。而DeepSeek作为一个以推理能力见长的新兴模型，与RAG的结合似乎是一个充满潜力的方向。然而，这种组合真的能继续走下去吗？锦上添花？本文将从技术现状、实践案例和未来趋势三个维度，带你一探究竟。
一、技术现状：DeepSeek与RAG的适配性分析
RAG的基本逻辑与挑战
RAG的核心是将检索与生成结合：先从知识库召回相关文档，再由生成模型加工输出。这种方法在需要高准确性和可追溯性的场景（如法律、医疗）中表现出色。但挑战在于：检索阶段的准确性（召回率与精确率）直接决定了生成质量，而生成阶段的推理能力又决定了最终答案的逻辑性和实用性。
DeepSeek的强项与短板
DeepSeek（特别是R1版本）以强大的推理能力著称，能够通过“链式思维”（Chain-of-Thought）生成逻辑清晰、幻觉较少的回答。然而，它并非万能钥匙。在生成嵌入（Embedding）方面，DeepSeek表现不佳，其发散性思维导致速度慢且与向量数据库匹配度低。相比之下，专门的嵌入模型（如Qwen2）更适合检索任务。
结合的现状与优化方向
当前，DeepSeek+RAG的实践多采用分工协作模式：用Qwen2等嵌入模型负责检索，DeepSeek负责生成。这种分工看似合理，但也暴露了一些问题——如果检索阶段过于保守，DeepSeek的推理能力可能无用武之地；如果检索过于发散，又可能引入噪声，影响生成质量。因此，如何平衡检索与生成的复杂度，是技术落地的关键。
二、实践案例解析：法律领域的DeepSeek+RAG实验
为了更直观地理解这种组合的效果，我们来看一个具体的实验：SkyPilot团队在法律领域的RAG尝试。
实验设计
数据集：使用Pile-of-Law数据集的子集，聚焦法律建议。 技术栈：ChromaDB作为向量存储，Qwen2嵌入负责检索，DeepSeek R1负责生成，vLLM和SkyPilot优化性能。 目标：为复杂的法律问题提供准确、可追溯的回答。
用两个模型为数据集生成嵌入，并组成两个向量数据库。然后，我们对两个模型使用相同的查询，并在相应模型生成的向量数据库中找到前 5 个最相似的嵌入。
上表中，DeepSeek R1的检索结果明显更差，这是为什么呢？
我们认为根本问题在于 DeepSeek-R1 的训练方式。DeepSeek-R1 主要被设计为推理引擎，侧重于顺序思维和逻辑连接。这意味着 DeepSeek-R1 不会将文档映射到语义空间中。
相比之下，Qwen2 模型变体（ gte-Qwen2-7B-instruct ）专门针对语义相似性任务进行训练，创建了一个高维空间，其中概念相似的文档紧密聚集在一起，而不管具体措辞如何。
这种训练过程的差异意味着 Qwen 擅长捕捉查询背后的意图，而 DeepSeek-R1 有时会遵循导致主题相关但实际上不相关的结果的推理路径。
除非 DeepSeek-R1 针对嵌入进行了微调，否则不应将其用作 RAG 的检索嵌入模型。
关键发现
不要用DeepSeek做检索：实验对比了DeepSeek R1与Qwen2的嵌入效果，结果显示DeepSeek的检索结果偏离主题（如查询“小额法庭准备”，返回“放狗是否合法”），原因是其推理导向的训练逻辑不适合语义空间映射。 DeepSeek生成很强：在生成阶段，DeepSeek R1能清晰引用文档，逻辑严密。例如，对于“如何准备小额法庭”的问题，它能从多份文档中提炼要点并生成结构化回答。 工程优化不可少：精心设计的提示（Prompt）对减少幻觉、提升引用率至关重要；文档分块（Chunking）和并行计算（如vLLM提速5.5倍）也显著提升了效率。
启示
这个实验表明，DeepSeek+RAG在需要推理和可追溯性的场景中确实有潜力，但成功的关键在于“扬长避短”——让专业嵌入模型负责检索，DeepSeek专注生成，同时辅以工程优化。
三、未来发展：DeepSeek+RAG的潜力与边界
推理与检索的边界在哪里？
当前趋势是将推理能力（Think）更多放在生成阶段，而非检索阶段。例如，O1 Embedder尝试在嵌入模型中加入“思考”步骤，但效果有限且速度慢。相比之下，DeepSeek R1通过生成时的递归推理（见[r1-reasoning-rag]能在复杂问题上实现信息筛选与合成，或许是更高效的路径。用户体验的转变
一个有趣的现象是，用户对“推理时计算”（Test-Time Compute）的接受度在提升。正如https://mp.weixin.qq.com/s/-pPhHDi2nz8hp5R3Lm_mww所说，人们愿意为了高质量结果等待更长时间。这种“延迟满足”观念，可能为DeepSeek+RAG的复杂推理模式打开新空间，尤其是在专业领域。技术演进的方向
模型微调：通过针对嵌入任务微调DeepSeek。 Agent化趋势：将DeepSeek的推理能力融入Agent框架，比单纯的RAG更灵活。
结论：可以做，但要选对场景
DeepSeek+RAG并非灵丹妙药，但也绝非无路可走。在需要强推理和高可追溯性的任务中（如法律咨询），它仍有发展空间。关键在于：
明确分工：检索交给专业嵌入模型，生成交给DeepSeek。 场景适配：避免将其用于速度敏感的简单任务，而聚焦复杂推理场景。 持续优化：通过提示工程、文档处理和硬件加速提升整体表现。
未来，随着模型能力提升和用户需求变化，DeepSeek+RAG的组合可能会找到更广阔的舞台。你认为这种技术还有哪些可能性？欢迎留言讨论！
引用：
https://blog.skypilot.co/deepseek-rag/ https://arxiv.org/pdf/2502.07555 https://github.com/deansaco/r1-reasoning-rag
{
"target":"简单认识我",
"selfInfo":{
"genInfo":"大厂面试官，中科院自动化所读研（人工智能）ing，从事数据闭环业务、RAG、Agent等，承担技术+平台的偏综合性角色。善于调研、总结和规划，善于统筹和协同，喜欢技术，喜欢阅读新技术和产品的文章与论文",
"contactInfo":"abc061200x, v-adding disabled",
"slogan":"简单、高效、做正确的事",
"extInfo":"喜欢看电影、喜欢旅游、户外徒步、阅读和学习，不抽烟、不喝酒，无不良嗜好"
}
}