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
1、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！
2、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
3、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
4、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。
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】
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
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】
评论(0)