r1-reasoning-rag：一种新的 RAG 思路

最新推荐文章于 2025-05-07 14:17:21 发布

小天才学习机打游戏

最新推荐文章于 2025-05-07 14:17:21 发布

阅读量823

点赞数 29

文章标签：学习 react.js 人工智能前端 nginx

本文链接：https://blog.csdn.net/m0_59164520/article/details/146112758

版权

Reasoning & Recursive Retrieval With Deepseek-r1, Tavily, and LangGraph

最近发现了一个开源项目，它提供了一种很好的 RAG 思路，它将 DeepSeek-R1 的推理能力结合 Agentic Workflow 应用于 RAG 检索

项目地址
https://github.com/deansaco/r1-reasoning-rag.git

项目通过结合 DeepSeek-R1、Tavily 和 LangGraph，实现了由 AI 主导的动态信息检索与回答机制，利用 deepseek 的 r1 推理来主动地从知识库中检索、丢弃和综合信息，以完整回答一个复杂问题

新旧 RAG 对比

传统的 RAG（检索增强生成）做法有点死板，通常是在处理完搜索后，通过相似性搜索找到一些内容，再按匹配度重新排个序，选出看起来靠谱的信息片段给到大型语言模型（LLM）去生成答案。但这么做特别依赖于那个重排序模型的质量，要是这模型不给力，就容易漏掉重要信息或者把错的东西传给 LLM，结果出来的答案就不靠谱了。

现在 LangGraph 团队对这个过程做了大升级，用上了 DeepSeek-R1 的强大推理能力，把以前那种固定不动的筛选方式变成了一个更灵活、能根据情况调整的动态过程。他们把这个叫做“代理检索”，这种方式让 AI 不仅能主动发现缺少的信息，还能在找资料的过程中不断优化自己的策略，形成一种循环优化的效果，这样交给 LLM 的内容就更加准确了。

这种改进实际上是把测试时扩展的概念从模型内部推理应用到了 RAG 检索中，大大提高了检索的准确性和效率。对于搞 RAG 检索技术的人来说，这个新方法绝对值得好好研究一下！

核心技术与亮点

DeepSeek-R1 推理能力

最新的 DeepSeek-R1 是一款强大的推理模型

深度思考分析资讯内容
对现有内容进行评估
通过多轮推理辨别缺失的内容，以提高检索结果的准确性

Tavily 即时资讯搜索

Tavily 提供即时的资讯搜索，能使大模型过去最新的资讯，扩展模型的知识范围

可动态检索来铺冲缺失的资讯内容，而非仅仅依靠静态数据

LangGraph 递归检索（Recursive Retrieval）

透过 Agentic AI 机制，让大模型在多轮检索与推理后形成闭环学习，大致流程如下：

第一步检索问题相关的资讯
第二步分析资讯内容是否足够以回答问题
第三步如果资讯不足，则进行进一步查询
第四步过滤不相关的内容，只保留有效的资讯

这样的 递归式 检索机制，确保大模型能够不断优化查询结果，使得过滤后的资讯更加完整与准确

源码分析

从源码上来看，就很简单的三个文件：agent、llm、prompts

Agent

这部分的核心思路在于 create_workflow 这个函数

它定义了这个 workflow 的节点，其中 add_conditional_edges 部分定义的是条件边，整个处理思路就是一开始看到的那张图的递归逻辑

如果不熟悉 LangGraph 的话，可以查看一下相关的资料。
LangGraph 构造的是个图的数据结构，有节点(node) 和边(edge），那它的边也可以是带条件的。

每次检索后，都会通过大模型进行筛查，过滤掉没用的信息（Filter Out Irrelevant Information），保留有用的信息（Retain Useful Information），对于缺失的信息（Identify Missing Information）就再进行一次检索，然后重复这个过程直到找到想要的答案

prompts

这里主要定义了两个提示词。

VALIDATE_RETRIEVAL ：它用于验证检索到的信息是否能够回答给定的问题。该模板有两个输入变量：retrieved_context（检索到的上下文）和 question（问题）。其主要目的是生成一个JSON格式的响应，根据提供的文本块来判断它们是否包含能够回答问题的信息。

ANSWER_QUESTION：用于指导一个问答代理（question answering agent）根据提供的文本块来回答问题。该模板同样有两个输入变量：retrieved_context（检索到的上下文）和 question（问题）。其主要目的是基于给定的上下文信息提供一个直接且简洁的答案。

llm

这里很简单就是定义使用的 r1 模型

可以改用其他厂商提供的模型，例如 openrouter 的免费 r1 模型

测试效果

我这里单独写了一个脚本，没有使用项目中的，问一下 《哪吒2》中哪吒的师傅的师傅是谁

首先它会先调用搜索去查资料，然后开始验证

接着它会开始分析，并得到 哪吒的师父是太乙真人 这个有效信息，而且也发现了缺失的信息太乙真人的师父（即哪吒的师祖）的具体身份或名字

接着它就会去继续搜索缺失的信息，并继续对搜索回来的信息进行分析校验

后面因为我这边网络断了，就报错了，但是从上图可以看到，它应该是可以找到这个关键的信息了

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述