1、RAG研究現(xiàn)狀

問(wèn)答系統(tǒng)（QA）讓用戶能用自然語(yǔ)言從海量資料中精準(zhǔn)獲取信息，主要分為兩類：

• 開(kāi)放域QA依托常識(shí)作答
• 封閉域QA則需專業(yè)資料支持

隨著DeepSeek-R1、Grok-3等大語(yǔ)言模型（LLM）的突破，文本流暢度和語(yǔ)義理解顯著提升。但這些模型依賴參數(shù)記憶，遇到專業(yè)術(shù)語(yǔ)或復(fù)雜推理時(shí)，仍可能"胡言亂語(yǔ)"或答非所問(wèn)。

檢索增強(qiáng)生成（RAG）通過(guò)在作答前抓取相關(guān)片段提升準(zhǔn)確性-，知識(shí)圖譜（KG）則用結(jié)構(gòu)化關(guān)系網(wǎng)絡(luò)支持多步推理。

但現(xiàn)有方案存在明顯缺陷：

• 技術(shù)文檔中的復(fù)雜關(guān)聯(lián)常被割裂檢索，導(dǎo)致答案支離破碎；
• 構(gòu)建高質(zhì)量領(lǐng)域圖譜費(fèi)時(shí)費(fèi)力，與向量搜索結(jié)合又帶來(lái)巨大工程負(fù)擔(dān)。

為此，清華大學(xué)團(tuán)隊(duì)推出DO-RAG框架，實(shí)現(xiàn)三大創(chuàng)新：

• 構(gòu)建動(dòng)態(tài)知識(shí)圖譜：通過(guò)多級(jí)智能體流水線，自動(dòng)從文本、表格等多模態(tài)數(shù)據(jù)中提取實(shí)體關(guān)系
• 雙軌檢索融合：結(jié)合圖譜推理與語(yǔ)義搜索，生成信息飽滿的提示模板
• 幻覺(jué)修正機(jī)制：對(duì)照知識(shí)庫(kù)校驗(yàn)答案，迭代修正邏輯漏洞

在數(shù)據(jù)庫(kù)等專業(yè)領(lǐng)域測(cè)試中，DO-RAG以94%的準(zhǔn)確率碾壓主流方案，最高領(lǐng)先33個(gè)百分點(diǎn)。模塊化設(shè)計(jì)支持即插即用，無(wú)需重訓(xùn)練即可遷移到新領(lǐng)域。

二、什么是DO-RAG？

2.1 系統(tǒng)架構(gòu)全景

如上圖所示，DO-RAG系統(tǒng)由四大核心模塊構(gòu)成：

• 多模態(tài)文檔解析與分塊處理
• 知識(shí)圖譜(KG)構(gòu)建中的多層級(jí)實(shí)體關(guān)系抽取
• 圖遍歷與向量搜索的混合檢索機(jī)制
• 面向精準(zhǔn)回答的多階段生成引擎

系統(tǒng)首先對(duì)日志、技術(shù)文檔、圖表等異構(gòu)數(shù)據(jù)進(jìn)行智能分塊，并將文本片段與其向量化表示同步存儲(chǔ)于pgvector增強(qiáng)的PostgreSQL數(shù)據(jù)庫(kù)。

通過(guò)思維鏈驅(qū)動(dòng)的智能體流程，將文檔內(nèi)容轉(zhuǎn)化為結(jié)構(gòu)化的多模態(tài)知識(shí)圖譜(MMKG)，精準(zhǔn)捕捉系統(tǒng)參數(shù)、行為特征等多維關(guān)聯(lián)。

當(dāng)用戶發(fā)起查詢時(shí)，意圖解析模塊會(huì)將其拆解為若干子查詢。系統(tǒng)首先在知識(shí)圖譜中定位相關(guān)實(shí)體節(jié)點(diǎn)，通過(guò)多跳推理擴(kuò)展檢索邊界，獲取富含領(lǐng)域特性的結(jié)構(gòu)化上下文。

隨后，系統(tǒng)運(yùn)用圖譜感知的提示模板對(duì)原始查詢進(jìn)行語(yǔ)義精煉，將其轉(zhuǎn)化為無(wú)歧義的精準(zhǔn)表達(dá)。優(yōu)化后的查詢通過(guò)向量化檢索，從數(shù)據(jù)庫(kù)中召回最相關(guān)的文本片段。

最終，系統(tǒng)融合原始查詢、優(yōu)化語(yǔ)句、圖譜上下文、檢索結(jié)果及對(duì)話歷史，構(gòu)建統(tǒng)一提示輸入生成引擎。

答案生成經(jīng)歷三階段打磨：首輪生成、事實(shí)校驗(yàn)與語(yǔ)義優(yōu)化、最終凝練。系統(tǒng)還會(huì)智能預(yù)測(cè)后續(xù)問(wèn)題，實(shí)現(xiàn)自然流暢的多輪對(duì)話體驗(yàn)。

2.2 知識(shí)庫(kù)構(gòu)建

文檔處理從多模態(tài)輸入開(kāi)始，文本、表格和圖像經(jīng)過(guò)標(biāo)準(zhǔn)化處理，分割為語(yǔ)義連貫的片段，同時(shí)保留源文件結(jié)構(gòu)、章節(jié)層級(jí)等元數(shù)據(jù)以確?？勺匪菪?。

采用多智能體分層流水線并行抽取結(jié)構(gòu)化知識(shí)。如上圖所示，四個(gè)專用智能體各司其職：

• 高層智能體：解析文檔骨架（章節(jié)/段落）
• 中層智能體：抓取領(lǐng)域?qū)嶓w（系統(tǒng)組件/API/參數(shù)）
• 底層智能體：挖掘細(xì)粒度操作邏輯（線程行為/錯(cuò)誤鏈路）
• 協(xié)變量智能體：標(biāo)注節(jié)點(diǎn)屬性（默認(rèn)值/性能影響）

最終生成動(dòng)態(tài)知識(shí)圖譜，以節(jié)點(diǎn)表實(shí)體、邊表關(guān)聯(lián)、權(quán)重表置信度。通過(guò)余弦相似度比對(duì)實(shí)體嵌入向量實(shí)現(xiàn)去重，并聚合相似實(shí)體為摘要節(jié)點(diǎn)以簡(jiǎn)化圖譜。

2.3 混合檢索與查詢分解

如上圖所示，當(dāng)用戶提問(wèn)時(shí)，DO-RAG會(huì)通過(guò)基于大語(yǔ)言模型的意圖分析器對(duì)問(wèn)題進(jìn)行結(jié)構(gòu)化拆解，生成指導(dǎo)知識(shí)圖譜（KG）和向量庫(kù)檢索的子查詢。

系統(tǒng)首先根據(jù)語(yǔ)義相似度從KG中提取相關(guān)節(jié)點(diǎn)，通過(guò)多跳遍歷構(gòu)建富含上下文的子圖。借助圖感知提示，這些圖譜證據(jù)會(huì)優(yōu)化查詢表述并消除歧義。優(yōu)化后的查詢經(jīng)向量化處理后，即可從向量庫(kù)中獲取語(yǔ)義相近的內(nèi)容片段。

最終，DO-RAG會(huì)將原始查詢、優(yōu)化查詢、圖譜上下文、向量檢索結(jié)果及用戶對(duì)話歷史等所有信息，整合成統(tǒng)一的提示框架。

2.4 答案的生成與交付

如上圖所示，最終答案通過(guò)分階段提示策略生成。

首先，基礎(chǔ)提示要求大語(yǔ)言模型僅依據(jù)檢索到的證據(jù)作答，避免無(wú)依據(jù)內(nèi)容。

然后通過(guò)優(yōu)化提示對(duì)答案進(jìn)行結(jié)構(gòu)調(diào)整和驗(yàn)證。

最后凝練階段確保回答的語(yǔ)氣、語(yǔ)言和風(fēng)格與問(wèn)題保持一致。

為提升交互體驗(yàn)，DO-RAG還會(huì)基于優(yōu)化后的答案生成后續(xù)問(wèn)題。最終交付內(nèi)容包括：

• (1) 精煉可驗(yàn)證的答案，
• (2) 標(biāo)注來(lái)源的引用，
• (3) 針對(duì)性后續(xù)問(wèn)題。

若證據(jù)不足，系統(tǒng)會(huì)如實(shí)返回"我不知道"，確?？煽啃院蜏?zhǔn)確性。

3. 效果對(duì)比

選用Client Service國(guó)際公司(CSII)研發(fā)的SunDB分布式關(guān)系數(shù)據(jù)庫(kù)作為測(cè)試平臺(tái)。其技術(shù)手冊(cè)、系統(tǒng)日志和規(guī)范說(shuō)明構(gòu)成的異構(gòu)數(shù)據(jù)集，為驗(yàn)證DO-RAG的多模態(tài)處理、實(shí)體關(guān)系挖掘和混合檢索能力提供了理想場(chǎng)景。

3.1 實(shí)驗(yàn)配置

3.1.1 硬件環(huán)境

64GB內(nèi)存+NVIDIA A100顯卡的Ubuntu工作站

3.1.2 軟件棧

• 追蹤系統(tǒng)：LangFuse(v3.29.0)
• 緩存管理：Redis(v7.2.5)
• 文檔存儲(chǔ)：MinIO(最新版)
• 分析引擎：ClickHouse(穩(wěn)定版)
• 向量數(shù)據(jù)庫(kù)：PostgreSQL+pgvector組合

3.1.3 測(cè)試數(shù)據(jù)

• SunDB核心數(shù)據(jù)集：含嵌入式代碼的技術(shù)文檔
• 電氣工程輔助集：帶電路圖的技術(shù)手冊(cè)

每組245道專業(yè)題庫(kù)均標(biāo)注標(biāo)準(zhǔn)答案及精確出處

3.1.4 評(píng)估體系

四大核心指標(biāo)(達(dá)標(biāo)線0.7分)：

• 答案相關(guān)性(Answer Relevancy, AR) - 語(yǔ)義匹配度
• 上下文召回(Contextual Recall, CR) - 信息完整度
• 檢索精度(Contextual Precision, CP) - 結(jié)果純凈度
• 內(nèi)容忠實(shí)度(Faithfulness, F) - 答案可信度

3.1.5 評(píng)估工具鏈

• RAGAS負(fù)責(zé)指標(biāo)計(jì)算
• DeepEval進(jìn)行端到端驗(yàn)證
• LangFuse實(shí)現(xiàn)全鏈路追蹤

3.1.6 對(duì)比方案

• 橫向?qū)Ρ龋篎astGPT/TiDB.AI/Dify.AI三大主流框架
• 縱向?qū)Ρ龋褐R(shí)圖譜增強(qiáng)版vs純向量檢索版

3.2 外部基準(zhǔn)測(cè)試

如上表顯示，在跨模型測(cè)試中，SunDB.AI的綜合評(píng)分全面超越FastGPT、TiDB.AI和Dify.AI三大基線系統(tǒng)。

下圖通過(guò)可視化對(duì)比，直觀呈現(xiàn)了SunDB.AI的持續(xù)領(lǐng)先優(yōu)勢(shì)。

3.3 內(nèi)部?jī)?yōu)化驗(yàn)證

上表表明集成知識(shí)圖譜后，DeepSeek-V3的答案相關(guān)性提升5.7%，上下文精確度提高2.6%，雙模型均實(shí)現(xiàn)100%上下文召回。

未啟用圖譜時(shí)，召回率下滑至96.4%-97.7%，且因依賴非結(jié)構(gòu)化搜索導(dǎo)致可信度降低。

DeepSeek-R1在啟用圖譜后出現(xiàn)5.6%的可信度微降，推測(cè)源于其創(chuàng)造性輸出特性

3.4 領(lǐng)域?qū)ｍ?xiàng)表現(xiàn)

SunDB與電氣領(lǐng)域測(cè)試數(shù)據(jù)（表III/IV）顯示，各模型上下文召回率均逼近滿分。答案相關(guān)性、精確度與可信度的差異化表現(xiàn)，折射出不同模型的特長(zhǎng)所在。

本文轉(zhuǎn)載自???大語(yǔ)言模型論文跟蹤???，作者：HuggingAGI