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

最近看了一篇来自腾讯wechat部门的论文《Retrieval as Reasoning: Self-Evolving Agent-Native Retrieval via LLM-Wiki》,翻译过来就是“检索即推理:基于LLM-Wiki的自演化智能体原生检索”。这篇论文本质上是在“革传统RAG(检索增强生成)的命”。它提出了一个很直白的观点:现在的AI检索像个“瞎子摸象”,一次性捞几块文本碎片就给答案;而真正聪明的AI,应该像人一样“逛维基百科”——边看边想,边想边点链接,搜不到就换条路。

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。
维度
检索即查找(老路)检索即推理(新路)
检索次数单次(One-shot)
生死有命,富贵在天。
多轮迭代(Iterative)
随时可以回头再来。
知识的形态扁平块(Flat)
所有文本被抹平,没有层级。
图结构(Graph/Wiki)
有目录、有页面、有超链接。
AI的决策点没有决策
只有相似度计算。
处处是决策
先搜还是先逛?读哪个页面?证据够了没?
容错机制无
第一次错了,答案必错。
有自愈性
搜…
— 以上为试看内容(约 40%),开通会员后阅读全文 —