---
title: "DeepRAG – 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框架"
url: "https://paooo.com/aigc-news/22362/"
author: "Prompt 语宙研究院"
published_at: "2026-06-09T07:53:21+08:00"
updated_at: "2026-06-09T07:53:21+08:00"
categories: "AIGC 资讯"
tags: "AI智能体, RAG检索增强, 大模型微调"
source: "Prompt 语宙 (https://paooo.com)"
ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)"
---

# DeepRAG – 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框架

> 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/aigc-news/22362/) · 作者：Prompt 语宙研究院 · 发布时间：2026-06-09

## AI 30 秒核心看点 (TL;DR)

- 将RAG推理建模为MDP，DeepRAG用动态决策替代固定检索流程。
- “检索叙事+原子决策”让模型按需检索，减少噪声与无效调用。
- 实验在开放域问答上平均提升21.99%，并在时效性与分布外任务中更稳。

## DeepRAG是什么

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的主要功能

- **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的项目地址

- **arXiv技术论文**：[https://arxiv.org/pdf/2502.01142](https://arxiv.org/pdf/2502.01142)

## DeepRAG的应用场景

- **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。

## 常见问题解答 (FAQ)

### DeepRAG和普通RAG有什么区别？
普通RAG多为固定检索流程，先检索再生成；DeepRAG把检索增强推理建模为MDP，允许模型在每一步动态决定是否检索、如何分解子查询，并通过校准链优化知识边界判断，因此更适合复杂多跳问答。

### DeepRAG为什么能减少检索次数？
因为它不是每一步都强制检索，而是通过原子决策判断当前是否足够依赖参数知识。只有在需要外部信息时才检索，从而减少无效调用、降低噪声和推理延迟，同时保持答案准确性。

### DeepRAG适合哪些应用场景？
它适合开放域问答、知识库问答、智能客服、教育辅助和医疗健康咨询等场景，尤其适合需要多跳推理、动态查证和及时更新知识的任务。

### DeepRAG的核心技术亮点是什么？
核心亮点包括MDP建模、检索叙事、原子决策、二叉树搜索、模仿学习和校准链。它们共同作用，使模型能更结构化地分解问题、选择检索策略并提升最终答案质量。

---
探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)
