解决RAG的噪声与浅层推理：DeepSieve的模块化信息筛分新范式

一、技术解决的问题以及简介

大模型推理的挑战

静态知识局限：预训练模型参数固定，难以实时获取最新信息，易产生“幻觉”。
多跳推理难题：复杂查询常包含多个依赖子目标，单次检索或一次性提示难以准确解决。

技术简介

DeepSieve是一个创新的RAG框架，通过将大型语言模型（LLM）作为"知识路由器"，解决了传统RAG方法在处理复杂多跳查询和异构知识源时的精度与效率难题。该框架采用模块化设计，将查询分解、知识路由、执行与反思、答案融合四个阶段解耦，使LLM能够像人类专家一样进行规划、调度和纠错，从而在保持高精度的同时显著降低Token消耗。

二、核心理念与理论基础

2.1 模型无关（Model-Free）推理

• 定义：不对底层模型进行微调，而通过提示与工具调用实现推理能力提升。优势在于兼容性与部署便利。

2.2 LLM 作为智能体（Agent）

• 思考-行动循环：交替输出“Thought”与“Action”，并根据工具反馈调整后续思考。
• 自我反思（Reflexion）：在获取失败反馈后，分析原因，重新规划行动。

2.3 通用推理架构设计原则

1. 模块化：分解、路由、反思、融合各司其职，可替换与扩展。
2. 可组合：支持多种异构知识源，包括文本检索、数据库查询、API 调用等。
3. 透明性：流程清晰、易于调试与监控。

---

三、DeepSieve 框架详解

整个框架分为四大阶段：查询分解 → 知识路由 → 观察反思 → 答案融合。

3.1 阶段 I：查询分解（Decomposition）

• 目标：将复杂的原始查询 $Q$ 分解为一组逻辑清晰、结构化的子查询 { q 1 , q 2 , … , q n } \{q_1, q_2, \dots, q_n\} { q1​,q2​,…,q