当前位置：首页 > news >正文

再看自适应RAG方法：SEAKR|PIKE-RAG|DeepRAG

news 来源：原创 2025/8/22 9:18:03

当大语言模型开始"怀疑人生"：一场关于知识检索的AI内心戏

各位看官，今天我们要聊一个AI界的"哲学难题"——当大语言模型突然意识到自己可能是个"半瓶子醋"，会发生什么奇妙反应？

想象一下这个场景：某天深夜，ChatGPT正对着用户提问"如何造火箭"陷入沉思。它的大脑（参数）里明明只有《星际穿越》的剧情和马斯克的推特碎片，却突然涌起一股莫名的自信：“这个问题简单！燃料箱+推进器+点火=送人类上火星！”

——这就是AI圈著名的"幻觉发作"现场。

传统解决方案就像给AI配了个随身图书管理员（RAG系统），每次提问都往它手里塞百科全书。但很快人们发现：

这时候，三位"AI心理医生"带着创新方案闪亮登场：

下面请欣赏AI界的《楚门的世界》——当大语言模型开始怀疑自己的记忆，它们会如何在这个充满知识迷雾的世界里寻找真相？且看正文分解…

（突然被AI助理打断：“主人您这段开场白…确定不会让读者觉得我们编辑部集体嗑药了吗？”）

随着大语言模型（LLM）的普及，一个关键缺陷逐渐暴露：幻觉问题——模型生成的内容听起来合理，实则与事实不符。这一问题在模型内部知识不足时尤为严重，导致模型即使信心满满，输出结果仍是错误的。

传统检索增强生成（RAG）方法试图通过为每个查询集成外部知识来缓解这一问题。然而，这种方法效率低下，甚至可能适得其反，尤其是当检索到的知识充满噪音或无关时。

None

图1：自适应RAG主要关注1）何时检索，以及2）如何整合检索到的知识。来源：SEAKR。

本文介绍了一项名为“SEAKR”的新研究。该研究提出了一个创新概念：利用模型对不确定性的自我感知，动态决定何时以及如何检索和整合外部知识，从而在效率和准确性之间实现最优平衡，如图1所示。

在这里插入图片描述

图2：SEAKR的整体框架。来源：SEAKR。

与现有自适应RAG方法不同（后者仅依赖模型输出来判断是否需要检索），SEAKR利用了模型的自我感知不确定性——这一指标直接提取自LLM的内部状态。这使得SEAKR能更准确地评估模型是否具备足够知识来回答问题，或是否需要外部信息支持。

SEAKR基于三大核心组件构建：

SEAKR采用迭代的思维链（CoT）推理策略，根据LLM的内部不确定性动态决定是否检索外部知识。若需检索，SEAKR会对知识重新排序，选择最相关的片段，并将其与