思考的艺术：ReaRAG如何教会大模型更聪明地“查资料”

“当你不知道答案时，最聪明的做法不是瞎猜，而是去查。”——某位理智的AI

---

🧠 引子：大模型的“聪明”烦恼

大型语言模型（LLMs）已经足够聪明，可以写诗、解题、甚至模仿莎士比亚的语气。但它们也有一个不太聪明的毛病：有时候会一本正经地胡说八道。尤其是在面对需要多步推理（multi-hop reasoning）的问题时，它们往往靠“记忆”作答，而不是“查资料”，这就容易出错。

于是，研究者们提出了“检索增强生成”（Retrieval-Augmented Generation，简称RAG）的方法，让模型在回答前先去“翻资料”。听起来不错，但问题也随之而来：查得太多，容易“过度思考”；查得太少，又容易“想当然”。更糟糕的是，一旦第一步查错了，后面就全错了——这就是所谓的“错误传播”。

为了解决这些问题，清华大学和西门子联合团队提出了一个新方法：ReaRAG（Reasoning-enhanced RAG）。它不仅会查资料，还会在每一步都反思自己是否走错了路，就像一个认真备考的学生，不断修正自己的解题思路。