r1-reasoning-rag：一种新的 RAG 思路

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

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。

prompts

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