聊一聊检索即推理:基于LLM-Wiki的自演化智能体原生检索
架构师之道
● AI · LLM · Agents | Enterprise Architecture | Digital Transformation
论文见:https://arxiv.org/abs/2605.25480
第一部分:这篇论文到底在讲什么
1. 痛点:为什么现在的RAG搞不定“脑筋急转弯”
问一个4跳问题(比如“《The Gamecock》和《Monster A Go-Go》的导演谁更老?”),传统RAG只会把“导演”和“电影名”拿去向量库比对。结果呢?搜出来一堆电影介绍,但导演的出生日期藏在导演的传记里,跟电影名压根不沾边,语义距离太远,AI根本捞不着。结论是:不是AI笨,是你给它的“资料库”太死板了(扁平的文本块)。
2. LLM-Wiki的绝招:把资料库变成“活的维基百科”
它不切文本块了,而是用大模型把原始文档编译(Compile)成带双向链接的Wiki页面。这相当于:
以前是给你一堆散落的A4纸; 现在是给你一个带目录、带超链接、带标签的维基百科网站。
页面里有实体、别名、事实、来源引用,还有[导演](链接)这种显眼的跳转按钮。
3. 智能体怎么干活?——“检索即推理”的两条腿走路
AI不再是一次性检索,而是拿着两个工具(wiki_search搜索引,wiki_read读页面)像侦探一样破案:
- 搜索优先:
先搜“The Gamecock”,读到页面里有导演名字,马上点击链接跳到导演页面查出生日期。 - 浏览优先:
如果是开放性问题(比如“这个系列有哪些作品”),先读目录索引( _index.md),再挑几个像样的页面细看。 - 核心精髓:
AI自己决定什么时候查够了(证据充分性检验),什么时候该换关键词,把一次性的“查找”变成了多轮对话式的推理过程。