最近發現了一個開源項目，它提供了一種很好的 RAG 思路，它將?DeepSeek-R1?的推理能力結合?Agentic Workflow?應用于 RAG 檢索
項目地址
https://github.com/deansaco/r1-reasoning-rag.git
項目通過結合?DeepSeek-R1、Tavily?和?LangGraph，實現了由 AI 主導的動態信息檢索與回答機制，利用?deepseek?的?r1?推理來主動地從知識庫中檢索、丟棄和綜合信息，以完整回答一個復雜問題
新舊 RAG 對比
傳統的 RAG（檢索增強生成）做法有點死板，通常是在處理完搜索后，通過相似性搜索找到一些內容，再按匹配度重新排個序，選出看起來靠譜的信息片段給到大型語言模型（LLM）去生成答案。但這么做特別依賴于那個重排序模型的質量，要是這模型不給力，就容易漏掉重要信息或者把錯的東西傳給 LLM，結果出來的答案就不靠譜了。
現在?LangGraph?團隊對這個過程做了大升級，用上了?DeepSeek-R1?的強大推理能力，把以前那種固定不動的篩選方式變成了一個更靈活、能根據情況調整的動態過程。他們把這個叫做“代理檢索”，這種方式讓 AI 不僅能主動發現缺少的信息，還能在找資料的過程中不斷優化自己的策略，形成一種循環優化的效果，這樣交給 LLM 的內容就更加準確了。
這種改進實際上是把測試時擴展的概念從模型內部推理應用到了 RAG 檢索中，大大提高了檢索的準確性和效率。對于搞 RAG 檢索技術的人來說，這個新方法絕對值得好好研究一下！
核心技術與亮點
DeepSeek-R1 推理能力
最新的?DeepSeek-R1?是一款強大的推理模型
-
深度思考分析資訊內容
-
對現有內容進行評估
-
通過多輪推理辨別缺失的內容，以提高檢索結果的準確性
Tavily 即時資訊搜索
Tavily?提供即時的資訊搜索，能使大模型過去最新的資訊，擴展模型的知識范圍
-
可動態檢索來鋪沖缺失的資訊內容，而非僅僅依靠靜態數據
LangGraph 遞歸檢索（Recursive Retrieval）
透過?Agentic AI?機制，讓大模型在多輪檢索與推理后形成閉環學習，大致流程如下：
-
第一步檢索問題相關的資訊
-
第二步分析資訊內容是否足夠以回答問題
-
第三步如果資訊不足，則進行進一步查詢
-
第四步過濾不相關的內容，只保留有效的資訊
這樣的?遞歸式?檢索機制，確保大模型能夠不斷優化查詢結果，使得過濾后的資訊更加完整與準確
源碼分析
從源碼上來看，就很簡單的三個文件：agent、llm、prompts
Agent
這部分的核心思路在于?create_workflow?這個函數
它定義了這個?workflow?的節點，其中?add_conditional_edges?部分定義的是條件邊，整個處理思路就是一開始看到的那張圖的遞歸邏輯
如果不熟悉?
LangGraph?的話，可以查看一下相關的資料。
LangGraph?構造的是個圖的數據結構，有節點(node) 和邊(edge），那它的邊也可以是帶條件的。
每次檢索后，都會通過大模型進行篩查，過濾掉沒用的信息（Filter Out Irrelevant Information），保留有用的信息（Retain Useful Information），對于缺失的信息（Identify Missing Information）就再進行一次檢索，然后重復這個過程直到找到想要的答案
prompts
這里主要定義了兩個提示詞。
VALIDATE_RETRIEVAL?：它用于驗證檢索到的信息是否能夠回答給定的問題。該模板有兩個輸入變量：retrieved_context（檢索到的上下文）和 question（問題）。其主要目的是生成一個JSON格式的響應，根據提供的文本塊來判斷它們是否包含能夠回答問題的信息。
ANSWER_QUESTION：用于指導一個問答代理（question answering agent）根據提供的文本塊來回答問題。該模板同樣有兩個輸入變量：retrieved_context（檢索到的上下文）和 question（問題）。其主要目的是基于給定的上下文信息提供一個直接且簡潔的答案。
llm
這里很簡單就是定義使用的?r1?模型
可以改用其他廠商提供的模型，例如?openrouter?的免費?r1?模型
測試效果
我這里單獨寫了一個腳本，沒有使用項目中的，問一下?《哪吒2》中哪吒的師傅的師傅是誰
首先它會先調用搜索去查資料，然后開始驗證
接著它會開始分析，并得到?哪吒的師父是太乙真人?這個有效信息，而且也發現了缺失的信息?太乙真人的師父（即哪吒的師祖）的具體身份或名字
接著它就會去繼續搜索缺失的信息，并繼續對搜索回來的信息進行分析校驗
后面因為我這邊網絡斷了，就報錯了，但是從上圖可以看到，它應該是可以找到這個關鍵的信息了
