如何用知识图谱+医疗问答对合成推理数据？兼看Deep Research的两个复刻实现拆解

一、基于知识图谱+医疗问答对合成推理数据思路MedReason

基于知识图谱+问答对合成推理数据工作。《MedReason: Eliciting Factual Medical Reasoning Steps in LLMs via Knowledge Graphs》，(https://github.com/UCSC-VLAA/MedReason，https://huggingface.co/collections/UCSC-VLAA/medreason，https://arxiv.org/pdf/2504.00993)，一个很工程性的论文，从学术角度上，是个不错的思路，可看看：

实现思路很简单，步骤如下：

1、从医疗数据集中提取问答对，然后使用LLM提取问答中的实体

数据这块直接收集的开源数据集，如MedQA、MedMCQA、PubmedQA等，实体抽取这一步用llm提示prompt做；

2、将这些实体映射到医疗知识图谱中的相应节点

这一步经过三个步骤，一个是Exact Match精确匹配，一个是相似度匹配Similarity Match，相似度阈值>0.85，然后最终再送LLM去做rerank做最终选择，prompt如下：

这一步也是通过写prompt送llm，找到相关的:

3、识别知识图谱中连接问答实体的所有推理路径，并指导LLM剪枝不相关的路径

里面有个细节，为了避免过度思考，所以就使用shortest paths算法找到所有的path路径，但是路径有很多，所以让llm去做剪枝，写prompt送llm进行推理。

4、最终的推理路径作为结构化数据来源，指导LLM生成医学上基于事实的CoT解释。

但是，难点是如何保证形成的推理数据是正确的，并且与结果有明显的指向性。所以有了第5步，推理数据过滤，方式是基于生成的推理path去获取答案来后验，并且去除答案不对的，如下的prompt:

虽然，这一步骤，成功的将45K数据降低到了32K，但是，这个工作假设性很强，路径导致了答案，大模型用了路径，且人相信这种解释。所以，这类工作切的可解释性的点，思想很粗暴，是个工程性论文。

整个流程，具象化就是如下：

从技术上来讲，整个路线的核心是剪枝不相关的路径，因为问题和答案都已知了，也就是说，问题中的实体跟答案中的实体都是已知的，只需要找到所有的可能路径，然后去除不相关的路径就行了，这个很工程化，亮点在于处理流程，还是比较依赖llm。

这个工作后续的方向，可以往下走：做归因分析，而不是现在的这个纯工程化流水线，一个readme就能说清楚的工作。还有个一个更大的使用障碍：在真实场景中，并不能有对应的kg，这回使得这种方案的泛化性很差。

此外，图谱中的path，本身是有跳跃性的，这个很容易让幻觉钻空子。所以，这个其实是高度假设性的，很难真实奏效；工作的漏洞很多的；有个causalrag，里面提到个思路很好，就是kg中的是相关，而不是causal。

二、再看Deep Research的两个复刻实现流程

同样还是Deep Research的复刻，再来看看对应的实现，有两个工作，一个是u14app-deep-research，一个是deepresearch-local，重点看实现流程。

2、Local Deep Research

Deepresearch的另一个复刻版本，地址在：https://github.com/LearningCircuit/local-deep-research，特点是有两种研究模式。

一种是快速摘要，快速得出结果（30秒-3分钟），包含关键信息和引用，适合快速探索和回答简单问题，支持并行使用多个搜索引擎，在相关情况下可以包含表格和结构化信息；

一种是详细报告模式，进行包含结构化章节、目录和深入探索的全面分析，创建结构合理的专业级报告，为每个章节单独进行研究，以确保全面覆盖，在各章节之间整合信息，实现连贯分析，包含引用和参考跟踪。

我们来看下实现，对应的报告生成逻辑在：https://gitcode.com/gh_mirrors/lo/local-deep-research/blob/main/src/local_deep_research/report_generator.py，流程分为三个步骤：

确定报告结构：调用 _determine_report_structure 方法，分析初始发现的内容，确定报告的结构（包括章节和子章节）。->研究并生成各章节内容：调用 _research_and_generate_sections 方法，针对每个章节和子章节进行研究并生成内容。->格式化最终报告：调用 _format_final_report 方法，将章节内容和目录结构组合成最终的报告格式。

更详细的流程如下，可以看看数据流的具体走向：

其中有个点比较重要，就是调整迭代深度，例如1次迭代快速回答事实性问题（约30秒）；2-3次迭代需要深入探索的复杂主题（2-3分钟）；3-5次迭代进行全面研究并进行后续调查（5分钟以上）。

另外就是集成的数据集，包括维基百科、arXiv、PubMed、SemanticScholar等学术资源，以及SearXNG、BraveSearch、SerpAPI（用于谷歌结果）等网络自资源。

这里面提到的数据集访问方式、不同数据集的比较，对于我们做AI搜索，以及学术领域的，都可以直接借鉴，挺好的资源。

2、u14app-deep-research

这个项目的主要差异性性是快速，地址在：https://github.com/u14app/deep-research，官方的图太大，显示不清，如下：

实现流程思路并不复杂，流程从“研究主题”开始，逐步展开为输入主题、思考、提出想法等步骤，即：输入研究主题->使用本地研究资源（可选）->开始思考（或重新思考）

然后是提出的想法，系统根据用户的研究主题提出问题以确认研究方向->回答系统问题（可选）->撰写研究计划（或重新撰写研究计划）->系统输出研究计划->开始深入研究（或重新研究）->系统生成搜索引擎结果页面（SERP）查询；

在“信息收集”阶段，分为**“初步研究”和“深入研究”**，并详细描述了数据收集和要点提取的过程。

初步研究步骤为：开始第一轮数据收集->根据SERP查询检索本地研究资源->从本地研究资源中提取与SERP查询相关的学习要点->根据SERP查询从互联网收集信息->从互联网上收集的材料中提取与SERP查询相关的学习要点->完成第一轮信息收集；

深入研究（此过程可以重复），步骤为：提出研究建议（可选）->开始新一轮信息收集（过程与初步研究相同）

最终，流程可以进入“写作请求”，生成报告并选择是否重新生成报告。实现步骤为：写作请求（可选）->将所有研究材料总结为一份全面的Markdown报告->包含所有来源和参考文献->以清晰易读的格式组织信息->重新生成研究报告（可选）

根据上述流程，可以整理成mermaid流程图，如下：

从上面这个流程图来看，因为有了许多的可选项，所以可以选择快速版本跟深度版本。

最近喜欢上了mermaid，其实还是蛮清晰的，一目了然，比较适合梳理流程。

总结

本文主要介绍了基于知识图谱+医疗问答对合成推理数据思路MedReason，可以看到其作为一个数据工程中做的流程设计。另外，还是流程设计上，我们看了两个Deep Research的两个复刻实现流程，仔细体会，都是很有收获的。

最后的最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】