最近发现了一个开源项目，它提供了一种很好的 RAG 思路，它将DeepSeek-R1的推理能力结合Agentic Workflow应用于 RAG 检索项目地址
https://github.com/deansaco/r1-reasoning-rag.git
项目通过结合DeepSeek-R1、Tavily和LangGraph，实现了由 AI 主导的动态信息检索与回答机制，利用deepseek的r1推理来主动地从知识库中检索、丢弃和综合信息，以完整回答一个复杂问题
新旧 RAG 对比传统的 RAG（检索增强生成）做法有点死板，通常是在处理完搜索后，通过相似性搜索找到一些内容，再按匹配度重新排个序，选出看起来靠谱的信息片段给到大型语言模型（LLM）去生成答案。但这么做特别依赖于那个重排序模型的质量，要是这模型不给力，就容易漏掉重要信息或者把错的东西传给 LLM，结果出来的答案就不靠谱了。 现在LangGraph团队对这个过程做了大升级，用上了DeepSeek-R1的强大推理能力，把以前那种固定不动的筛选方式变成了一个更灵活、能根据情况调整的动态过程。他们把这个叫做“代理检索”，这种方式让 AI 不仅能主动发现缺少的信息，还能在找资料的过程中不断优化自己的策略，形成一种循环优化的效果，这样交给 LLM 的内容就更加准确了。 这种改进实际上是把测试时扩展的概念从模型内部推理应用到了 RAG 检索中，大大提高了检索的准确性和效率。对于搞 RAG 检索技术的人来说，这个新方法绝对值得好好研究一下！
核心技术与亮点
DeepSeek-R1 推理能力最新的DeepSeek-R1是一款强大的推理模型 - 通过多轮推理辨别缺失的内容，以提高检索结果的准确性
Tavily 即时资讯搜索Tavily提供即时的资讯搜索，能使大模型过去最新的资讯，扩展模型的知识范围
- 可动态检索来铺冲缺失的资讯内容，而非仅仅依靠静态数据
LangGraph 递归检索（Recursive Retrieval）透过Agentic AI机制，让大模型在多轮检索与推理后形成闭环学习，大致流程如下： 这样的递归式检索机制，确保大模型能够不断优化查询结果，使得过滤后的资讯更加完整与准确
源码分析从源码上来看，就很简单的三个文件：agent、llm、prompts
Agent这部分的核心思路在于create_workflow这个函数 它定义了这个workflow的节点，其中add_conditional_edges部分定义的是条件边，整个处理思路就是一开始看到的那张图的递归逻辑如果不熟悉LangGraph的话，可以查看一下相关的资料。
LangGraph构造的是个图的数据结构，有节点(node) 和边(edge），那它的边也可以是带条件的。
每次检索后，都会通过大模型进行筛查，过滤掉没用的信息（Filter Out Irrelevant Information），保留有用的信息（Retain Useful Information），对于缺失的信息（Identify Missing Information）就再进行一次检索，然后重复这个过程直到找到想要的答案promptsVALIDATE_RETRIEVAL：它用于验证检索到的信息是否能够回答给定的问题。该模板有两个输入变量：retrieved_context（检索到的上下文）和 question（问题）。其主要目的是生成一个JSON格式的响应，根据提供的文本块来判断它们是否包含能够回答问题的信息。ANSWER_QUESTION：用于指导一个问答代理（question answering agent）根据提供的文本块来回答问题。该模板同样有两个输入变量：retrieved_context（检索到的上下文）和 question（问题）。其主要目的是基于给定的上下文信息提供一个直接且简洁的答案。
llm这里很简单就是定义使用的r1模型 可以改用其他厂商提供的模型，例如openrouter的免费r1模型 测试效果我这里单独写了一个脚本，没有使用项目中的，问一下《哪吒2》中哪吒的师傅的师傅是谁 接着它会开始分析，并得到哪吒的师父是太乙真人这个有效信息，而且也发现了缺失的信息太乙真人的师父（即哪吒的师祖）的具体身份或名字接着它就会去继续搜索缺失的信息，并继续对搜索回来的信息进行分析校验后面因为我这边网络断了，就报错了，但是从上图可以看到，它应该是可以找到这个关键的信息了 | 
