DeepSeek-R1与Agentic RAG构建带深度思考开关的知识研究助理

先介绍背景知识。RAG（检索增强生成）本质上依赖检索结果进行推理，这在一定程度上限制了DeepSeek-R1这类深度思考模型的发挥空间。然而在实际业务中，确实存在将RAG的精准性与DeepSeek的深度推理能力结合起来的场景——不仅仅是回答事实性问题，例如：基于企业知识库和产品文档撰写市场分析报告，或根据现有技术报告创作公众号文章。这类任务，传统RAG无法直接“输出”答案，也不是简单替换一个DeepSeek模型就能解决。因此，本文将探讨如何融合DeepSeek-R1与Agentic RAG方法，构建一个带有“深度思考”开关的问答与研究助理。请留意，这个开关并非只是更换一个模型那么简单。

01 工作流程设计

实际应用中的上述场景，具备以下几个典型特征或业务需求：

• 需要借助RAG获取参考文档与知识，本质是提升准确性
• 必要时还需通过互联网搜索获取更多外部信息，例如了解竞品动态
• 生成成果不是简单答案，而是要求内容条理清晰、结构完整

在这种场景下，你不能直接让模型“深度思考”出想要的答案。因为输出不仅依赖模型的生成能力，更需要参考足够的私域知识——这些知识必须靠RAG或搜索引擎来检索。换句话说，复杂度更多体现在研究结构的规划与关联知识的检索上。

因此，考虑如下方案：

• 借助DeepSeek思考与规划研究大纲，并提出针对性问题
• 借助RAG引擎来回答这些问题，答案作为参考知识
• 综合这些问题与答案，根据规划的大纲生成最终研究成果

我们设计了如下的Agentic Workflow：

流程详细描述如下：

1. 为了让该Agent既能支持简单的事实性问答，又能切换至深入研究模式，我们设计了DeepResearch开关，将选择权交给用户。
2. 如果不需要深度思考，则直接调用Agentic RAG回答问题。
3. 如果需要深度思考，则进入以下流程：

• 生成大纲：借助DeepSeek的深度思考能力，根据输入主题先构建一个研究大纲，确保输出的结构化与全面性。
• 问题规划：基于大纲生成一份必要的研究问题清单，以有效检索到研究所需要的知识。
• 问题回答：获得这些问题的答案——这一步借助已构建好的Agentic RAG系统完成，以确保参考信息的准确性。此步骤可并行开展。
• 起草答案：将搜集到的问题与答案，结合规划的提纲，交给LLM进行创作，生成研究结果的草稿。
• 内容审核：审查草稿的完整性、准确性与连贯性，并确定是否需要修改或增补，输出新的问题来进一步搜集信息。
• 最终输出：在经过指定次数的迭代后，输出最终结果。

可以看到，RAG系统在这里变成了后端的一个“研究工具”。为了更具扩展性，我们借助Agentic RAG方法来实现，并增加了搜索引擎作为补充的知识来源。

这种Agentic RAG可以更灵活地跨越多个数据源（比如不同的知识库/文档）、跨越多种类型的RAG管道（例如回答事实性问题与总结性问题）以及互联网搜索工具等来回答问题，提供研究所需的参考信息。

这样的工作流程优势在于：通过先推理大纲与假设性问题，提高信息获取的覆盖面与引用密度；同时借助RAG检索私有知识提升准确性；再利用反思模式提升最终生成质量。当然，缺点是流程较长，但对于此类研究任务而言是可以接受的。

02 实现：Agentic RAG应用

现在来实现这个具备“深度思考”能力的Agentic Workflow。我们采用的工具如下：

• Agentic RAG系统：LlamaIndex + Chroma向量库 + gpt-4o-mini
• Workflow编排：LlamaIndex Workflows
• deepseek-r1模型：负责大纲生成、研究报告创作
• gpt-4o-mini：用作问题规划、报告审核

首先实现Agentic RAG应用。对于不需要“深度思考”的问题，该应用就是直接回答问题的核心主体。构建基本过程如下：

• 创建一个或多个RAG查询管道（如需可支持多模态）
• 将这些查询管道“工具化”
• 创建一个网络搜索工具
• 将RAG与搜索工具交给一个Function Calling的Agent使用

核心代码参考（可根据需要调整关键词）：

......
#RAG查询引擎
query_engine = vector_index.as_query_engine(similarity_top_k=5,llm=llm_openai)
query_tool = QueryEngineTool.from_defaults(query_engine=query_engine,name=f'query_tool_{name}',
                                               description=f'用于查询DeepSeek-R1的技术细节')

...
#搜索工具
search_tool = FunctionTool.from_defaults(fn=web_search,name = 'search_tool',description='用于搜索网络获取信息')

#RAG agent
rag_agent = FunctionCallingAgent.from_tools(
[query_tool,search_tool],
llm=llm_openai,
system_prompt="""
你是一个问题回答专家。你必须使用工具查询技术细节或搜索网络信息，并始终用中文回答问题。
* 尽量保留工具返回中的Markdown图片信息。* 如果一个工具无法回答问题，请尝试另一个工具。
不要基于先验知识或编造。""")

构建完这个Agent后，可以先测试它的工具推理与回答能力，确保能为后面的研究提供准确信息。例如用如下代码测试：

agent_response = rag_agent.query("How is DeepSeek-R1-Zero AIME accuracy during training")
display(Markdown(str(agent_response)))

我的Agent反馈如下（实现了多模态RAG）：

03 实现：编排Workflow

准备好Agentic RAG这个“工具”后，接下来实现深度思考的主流程。我们用LlamaIndex的Workflows来构建（当然，也可以使用LangGraph）。根据上述设计，该Workflow编排后的可视化如下：

这里的核心步骤（在LlamaIndex中称作step）包括：

• route_request：根据是否需要深度思考做路由
• plan_outline：思考与规划研究大纲，使用deepseek
• plan_questions：根据研究大纲设计问题，使用gpt-4o
• answer_question：并行调用已创建的Agentic RAG获得问题答案
• general_final_answer：根据大纲、问题/答案生成结果，使用deepseek
• review_final_answer：检查审核。如果没有问题或达到最大迭代次数，则结束；否则生成新的问题，返回answer_question获取更多信息

整个过程的重点是精心设计每个step的提示词，剩下的工作以调用LLM与RAG为主，并不复杂。以其中的问题设计（plan_questions）这个step为例：

...
    # 根据大纲提出一些问题
    @step()
    async def plan_questions(
        self, ctx: Context, ev: OutlineEvent
    ) -> QuestionEvent:

        #事件中的大纲信息，并保存到上下文，后面步骤中要用
        outline = ev.outline
        await ctx.set("outline", outline)

        #上下文中获取原始问题
        query = await ctx.get("original_query")

        #Prompt提示
        prompt = f"""你需要根据输入的问题和回答大纲制定一系列问题，这些问题将帮助获得完成大纲所需的事实：
        * 你不能假设任何现有的知识
        * 问题需要涵盖大纲中的所有主要要点
        * 每一个问题必须自洽完整，不能依赖于上下文
        * 你的输出应该是一个问题列表，每个问题在新的一行
        * 问题最多不超过5个
        ----------------
        输入问题：{query}
        ----------------
        回答大纲：{outline}"""

        #生成问题（调用LLM）
        response = await llm_openai.acomplete(prompt)

        #取出 thinking部分，如果你使用deepseek-r1才需要
        response = re.sub(r" thinking.*? response", "", str(response), flags=re.DOTALL)
        questions = response.split("n")
        questions = [x for x in questions if x]

        #问题数量
        await ctx.set("num_questions", len(questions))

        #触发下一个step，并传递问题
        #这里会触发并行处理
        for question in questions:
           ctx.send_event(QuestionEvent(question=question))

再比如回答问题（answer_question）这一步：

...
    @step()
    async def answer_question(
        self, ctx: Context, ev: QuestionEvent
    ) -> AnswerEvent:

        #取出问题
        question = ev.question

        #调用上面创建的agentic rag获得答案
        response = await rag_agent.aquery(question)

        #如果打开“深度思考”，则触发下一步；否则就结束！
        if (await ctx.get("deepresearch")):
            return AnswerEvent(question=question, answer=str(response))
        else:
            return StopEvent(result=str(response))

其他步骤可以按类似方式编写，最终完成Workflow的定义。

04 测试Workflow

现在可以测试调用这个Workflow了。你可以打开或关闭“深度思考”这个参数，以控制是普通的RAG问答，还是开展深度研究。

首先关闭“深度思考”（deepresearch=False）

async def main():

    #workflow实例
    rsearch_agent = DeepResearchAgent(timeout=600, verbose=True)

    #调用，deepresearch为控制开关
    handler = rsearch_agent.run(
        query ="DeepSeek-R1大模型用了什么技术？国际上评价如何",
        deepresearch = False,
        rag_agent = rag_agent
    )
    final_result = await handler
    print(final_result)

观察输出内容：

然后打开深度思考（deepresearch=True）

通过跟踪信息，你可以看到研究助手生成了如下的大纲与假设提问：

针对这个大纲，LLM设计的问题如下（首次迭代）：

最后，你将看到更详细的、遵循上述研究提纲的输出结果。

05 未来的改进

在测试中发现了一些潜在问题，也是未来可以优化的方向：

• 过于发散思维的研究提纲可能导致无法查询到必要的参考信息（或过于依赖网络搜索）。在最终答案中可能会有这样的体现（有提纲，但没有答案）：

优化方法可以考虑：

• 在生成大纲时给予更多提示信息，比如已有知识目录、增加限制条件等。
• 在Review环节多次迭代仍然无法检索到相关知识后，对这部分做删除。

• 多模态的支持需进一步增强。很多场景需要产出一份图文兼备的研究文档，这可能需要在最后的生成环节做进一步结构化输出的控制与优化。
• 输出形态多样化。借助一些开放库，可以将最终的结果根据需要输出成Word、PPT、思维导图等更丰富的格式。想一想，基于私有知识与文档生成的PPT，是不是比通用模板PPT更有价值？

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：DeepSeek-R1与Agentic RAG构建带深度思考开关的知识研究助理要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题