​Deep Search 提升 RAG 检索效果的实践与优化​

​1. Deep Search 是什么？​​

Deep Search 是一种面向检索增强生成（RAG）系统的智能检索范式，其核心在于通过 ​分阶段检索​ 与 ​动态决策机制​ 优化信息召回质量。与传统 RAG 的“一次性检索”不同，Deep Search 强调 ​检索与推理的协同，在生成过程中按需触发检索，并基于语义相关性、上下文深度等维度筛选信息。

例如，当用户提问涉及多层级知识（如“2024年Transformer改进方向的最新研究”）时，Deep Search 会先检索核心概念的定义，再逐层深入技术细节或最新论文，而非一次性返回冗余内容。这种机制显著减少了噪音干扰，提升后续生成环节的准确性。

​2. Deep Search 如何提高 RAG 的效果？​​

传统 RAG 的检索过程是“一次性完成”：用户提问后，系统直接召回一批文档片段，无论是否冗余，全部塞给生成模型。这容易导致两个问题：

1. ​答案质量不稳定​：冗余信息干扰生成逻辑，模型可能错误引用低质量内容；
2. ​缺乏灵活性​：检索完成后无法根据生成需求动态补充信息。

Deep Search 通过两项核心改进解决这些问题：

​1. 分阶段检索，层层深入​

• ​问题拆解​：将复杂问题拆解为多个子问题，分批次检索。例如回答“如何预测股票趋势”时：
  1. 第一阶段检索“预测股票趋势的常用方法”；
  2. 若生成模型发现需要具体技术细节，触发第二阶段检索“图神经网络+股票预测案例”；
  3. 遇到模糊结论（如“数据量不足影响效果”）时，第三阶段检索“小样本优化方案”。
• ​优势​：避免一次性召回大量无关内容，减少生成模型的判断负担。

​2. 边生成边检索，动态补全​

• ​主动查漏补缺​：生成过程中，模型实时检测知识缺口。例如：
  • 初始检索未覆盖“2024年最新研究”，生成到相关段落时自动触发二次检索；
  • 发现术语定义模糊（如“稀疏化方法”），立即检索权威定义。
• ​示例​：
  用户提问：“Transformer 模型如何降低计算成本？”
  • 传统 RAG：一次性检索“Transformer 优化方法”，可能混杂过时方案；
  • Deep Search：
    1. 首轮检索“主流计算成本优化技术”；
    2. 生成时发现未提及“2024年稀疏化技术”，立即补搜最新论文；
    3. 最终答案整合经典方法与最新进展。

​3. Deep Search 强化 RAG 的实现步骤​

​步骤说明​：

1. ​意图解析​：使用大模型（如DeepSeek-R1）解析用户问题，生成检索关键词与子问题。
2. ​分阶段检索​：根据问题复杂度启动多轮检索，优先召回高置信度文档，再扩展相关上下文。
3. ​动态融合​：基于检索结果的质量与相关性，动态调整生成模型对检索内容的依赖权重。
4. ​验证迭代​：若生成答案置信度不足，触发二次检索并修正输出。

注意事项：

• 注意设置最大循环迭代次数，以防无限循环

​4. 提示词示例

Prompt - 原始问题拆分

为了更全面地回答此问题，请将原始问题拆分为最多四个子问题，以字符串列表的形式返回。
如果是非常基础的问题无需拆分，则保持原始问题作为列表中的唯一元素。

原始问题：{original_query}

<示例>
输入样例：
"解释深度学习"

输出样例：
[
    "什么是深度学习？",
    "深度学习与机器学习有什么区别？",
    "深度学习的发展历史是怎样的？"
]
</示例>

请用Python列表格式返回响应：

Prompt - 判断文本块是否有助于回答问题

根据查询问题和检索到的文本块，判断该文本块是否有助于回答任意一个查询问题，只能返回"是"或"否"，无需提供任何其他信息。

查询问题：{query}
检索到的文本块：{retrieved_chunk}

该文本块是否有助于回答问题？

Prompt - 迭代扩充，返回查询列表

根据原始查询、先前分解的子查询和所有检索到的文档块，判断是否需要新增搜索查询。如果需要进一步研究，请返回最多3个搜索查询的Python列表；如果不需要，请返回空列表。

注：如果原始查询是撰写报告类需求，即使已有信息充分，也倾向于生成补充性查询而非返回空列表。

原始查询：{question}

先前分解的子查询：{mini_questions}

相关文本块：
{mini_chunk_str}

请严格使用有效的Python列表格式返回，不要包含其他任何内容。

Prompt - 总结

你是一位擅长内容分析的AI专家，请基于先前分解的查询和检索到的相关文本块，总结形成具体且详细的回答或报告。

原始查询：{question}

先前分解的子查询：{mini_questions}

相关文本块：
{mini_chunk_str}

请开始总结：