DeepRAG概述简介

DeepRAG 是中科院、中科大和腾讯微信AI部联合推出的新型检索增强生成（RAG）框架，提升大型语言大模型（LLMs）在推理和检索任务中的性能。通过将检索增强推理建模为马尔可夫决策过程（MDP），引入“检索叙事”和“原子决策”两个关键组件，实现了结构化和自适应的检索流程。DeepRAG 的核心在于动态决策：模型在每一步会根据当前状态决定是否检索外部知识，或者仅依赖自身的参数知识进行推理。

DeepRAG的功能特色

动态检索决策：DeepRAG能动态决定在每一步是否需要检索外部知识，或者仅依赖模型自身的参数知识进行推理。避免不必要的检索操作，提高了检索效率，同时减少了噪声和推理延迟。

结构化检索流程：通过引入“检索叙事”（Retrieval Narrative），DeepRAG确保检索过程是结构化和自适应的。模型会根据之前检索到的信息生成新的子查询，逐步推进推理过程，更好地处理复杂查询。

知识边界校准：DeepRAG通过“校准链”（Chain of Calibration）方法，帮助模型更准确地识别自身知识的边界。模型能更好地判断何时需要检索外部知识，可以依赖自身的知识进行推理，提高答案的准确性和可靠性。

提高检索效率和答案准确性：实验表明，DeepRAG在多个开放域问答数据集上显著提高了答案的准确性（平均提升21.99%），同时减少了检索次数，优化了检索效率。

泛化能力和鲁棒性：DeepRAG在时间敏感和分布外的问答任务中表现出良好的泛化能力和鲁棒性，能适应不同的问答场景和数据分布。

DeepRAG的技术原理

马尔可夫决策过程（MDP）建模：DeepRAG 将检索增强推理过程建模为 MDP，表示对原始问题的部分解决方案。状态 st​ 包括输入问题 x 和到目前为止的子查询及其中间答案。包括两个子决策：

终止决策（Termination Decision）：决定是否继续生成下一个子查询，或者直接生成最终答案。

原子决策（Atomic Decision）：决定是否检索外部知识，或者仅依赖模型的参数知识。

转移（Transitions）：根据动作更新状态。如果决定检索，模型会检索相关文档并生成中间答案；如果决定不检索，则直接生成中间答案。

奖励（Rewards）：基于答案的正确性和检索成本评估状态。奖励函数最大化答案的正确性，同时最小化检索成本。

二叉树搜索（Binary Tree Search）：DeepRAG 使用二叉树搜索方法为每个子查询构建推理路径。对于每个子查询，模型生成两个分支：一个分支基于参数知识直接生成答案，另一个分支通过检索外部知识生成答案。通过这种方式，模型探索不同的检索策略，生成从初始问题到最终答案的完整推理路径。二叉树搜索能分解问题，彻底检查检索选择对最终答案的影响。

模仿学习（Imitation Learning）：模仿学习的目的是让模型学习有效的检索模式。使用优先队列高效探索潜在的推理轨迹，优先选择检索成本较低的路径。通过二叉树搜索合成数据，提取到达正确最终答案的推理过程。使用合成数据对模型进行微调，提高其终止决策和原子决策的能力，同时增强查询分解和生成可靠中间答案的能力。

校准链（Chain of Calibration）：校准链方法进一步优化模型对自身知识边界的认知。通过合成偏好数据确定何时需要检索。数据基于最优路径生成，指示每个子查询的首选检索策略。使用这些偏好数据对模型进行微调，增强其基于内部知识边界的原子决策能力。通过校准链方法，模型能更准确地识别何时需要检索外部知识，可以依赖自身的知识进行推理。

DeepRAG项目介绍

arXiv技术论文：https://arxiv.org/pdf/2502.01142

DeepRAG能做什么？

开放域问答：DeepRAG能处理复杂的多跳问答任务，通过逐步分解问题并动态检索相关信息，生成准确的答案。

知识库问答：在知识库问答中，DeepRAG可以结合外部知识库（如维基百科）和模型自身的知识，提供更准确的答案。

智能客服与虚拟助手：DeepRAG可以应用于智能客服系统，通过动态检索和推理，提供更准确、更及时的客户支持。

教育与学习辅助：在教育领域，DeepRAG可以帮助学生和教师获取更准确的知识和信息。根据学生的学习进度和需求，动态生成学习材料和练习题。

医疗健康咨询：DeepRAG可以用于医疗健康咨询，通过检索最新的医学研究和临床指南，提供准确的健康建议。