# 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

- Link: https://paooo.com/aigc-news/22362/
- Published: 2026-06-09T07:53:21+08:00
- Author: Prompt 语宙研究院

⚡ [Prompt](https://paooo.com/ai-image-prompts/) 语宙 AI 导读 · 30 秒核心看点

 * 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。

阅读目录

 * [DeepRAG是什么](https://paooo.com/aigc-news/22362/#deeprag%e6%98%af%e4%bb%80%e4%b9%88)
 * [DeepRAG的主要功能](https://paooo.com/aigc-news/22362/#deeprag%e7%9a%84%e4%b8%bb%e8%a6%81%e5%8a%9f%e8%83%bd)
 * [DeepRAG的技术原理](https://paooo.com/aigc-news/22362/#deeprag%e7%9a%84%e6%8a%80%e6%9c%af%e5%8e%9f%e7%90%86)
 * [DeepRAG的项目地址](https://paooo.com/aigc-news/22362/#deeprag%e7%9a%84%e9%a1%b9%e7%9b%ae%e5%9c%b0%e5%9d%80)
 * [DeepRAG的应用场景](https://paooo.com/aigc-news/22362/#deeprag%e7%9a%84%e5%ba%94%e7%94%a8%e5%9c%ba%e6%99%af)

![DeepRAG](https://paooo.com/wp-content/uploads/2026/06/DeepRAG-website-1.avif)

## 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。

🧭 文中关联 [AI 工具](https://ai.paooo.com/)官网与参数卡（语宙 AI 导航）

**中科院 ↗**

中科院：国家最高学术机构，面向AI 综合应用场景提供便捷实用的在线功能支持。

❓ 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。

🔬 语宙深潜追问 · 进阶实操拆解

DeepRAG 适合替换传统 RAG 吗？

适合高不确定、长链路推理的问答场景；若是事实检索稳定、延迟敏感的业务，固定检索更
简单可控。落地时建议先做离线对比，再看检索次数、命中率和端到端延迟是否同时改善。

如何把 MDP 思路接进现有 RAG？

先把“是否继续检索、检索什么、何时停止”拆成动作空间，再用奖励函数约束准确率、成本
和时延。工程上可先做规则版策略，再逐步引入学习型控制器，避免一次性重构整个检索链
路。

🗳️ 读者观点微投票 · 您的实战立场是？

DeepRAG 的动态检索真能替代固定检索吗？

🕸️ 语宙向量知识图谱 · 语义强关联深度内链

[🧬 所属权威专题：RAG 知识库与模型微调 →](https://paooo.com/topics/rag-fine-tuning/)

 * [AutoRAG – 中科院开源的自主迭代检索模型](https://paooo.com/aigc-news/23376/)
 * [PIKE-RAG – 微软亚洲研究院推出的检索增强型生成框架](https://paooo.com/aigc-news/21979/)
 * [从链式思考（CoT）到多智能体强化学习：2026 企业级推理大模型与 Agentic RAG 系统工程全景实战指南](https://paooo.com/ai-study/41594/)
 * [HybridRAG – 黑石联合英伟达推出的混合检索增强生成架构](https://paooo.com/aigc-news/27397/)

[🏛️ Prompt 语宙研究院](https://paooo.com/author/paooo-research/) · Prompt 语宙研究院（
paooo.com Research）专注于前沿多模态大模型架构拆解、AI Agent 工作流评测、AIGC 提示
词工程（Prompt Engineering）与全球高增长 AI 生产力工具实测追踪，致力于为中文开发
者与创作者提供一手、可复现的深度技术洞察。

[📄 Markdown 纯净版](https://paooo.com/aigc-news/22362/?format=md)

💡 这篇内容对您有启发吗？

[📡 RSS 订阅](https://paooo.com/feed/)[✨ 提交 AI 工具 / 合作](https://paooo.com/submit-tool/)

**🚀 Prompt 语宙 AI 创作者生态：**探索 2,800+ 全球实用 AI 工具与高精度生图提示词
咒语库

[🧭 语宙 AI 导航 (ai.paooo.com)](https://ai.paooo.com/)[🎨 AI 生图 Prompt 库](https://paooo.com/ai-image-prompts/)
[📚 核心专题导航](https://paooo.com/topics/)[⚡ AIGC 早报生成器](https://paooo.com/mtool/)
