我要投稿

微软PIKE-RAG开源：解锁专业领域知识理解与推理，RAG新突破！

发布日期：2025-04-13 06:57:43 浏览次数： 1766

作者：马伟说

微信搜一搜，关注“马伟说”

近一年来，虽然检索增强生成（Retrieval Augmented Generation, RAG）系统在通过外部检索扩展大语言模型（LLMs）能力方面取得了一定的进展。但它主要依赖于文本检索和LLMs的理解能力，缺乏对多源数据知识的提取、理解和利用，尤其在专业知识较强的领域（如工业应用中）表现出显著的不足。

为了解决这一问题，微软亚洲研究院提出了 PIKE-RAG（sPecIalized KnowledgE and Rationale Augmented Generation）方法，一种”专注于提取、理解和应用领域特定知识，同时构建连贯的思考逻辑，以逐步引导 LLMs 获得准确的响应“的方法，旨在解决以下问题：

1. 知识来源的多样性问题：面对知识知识来源的多样性问题，PIKE-RAG旨在通过构建多层异构图来表示不同层次的信息和知识，从而更好地解决这一问题。
2. 通用性与"一刀切"的问题：不同类型的问题（如简单事实问答与需要多步推理的复杂问题）要求不同的处理策略。现有的 RAG 方法未能充分考虑不同应用场景中的复杂性和特定需求，而采用统一流程，因此无法兼顾所有需求。通过任务分类和系统能力分级，PIKE-RAG 提供了一种能力需求驱动的方案搭建策略，显著提高了系统在不同复杂性问题上的适应能力。
3. LLMs 的领域专业知识不足：在工业应用中，RAG 需要利用专业领域的私有知识和逻辑，但现有方法在应用于专业领域时表现不佳，尤其是在 LLMs 不擅长的领域。PIKE-RAG 通过知识原子化和任务动态分解，增强了对领域特定知识的提取和组织能力。此外，该系统能够自动从系统交互日志中提取领域知识，通过 LLMs 微调将学习到的知识固化下来，以更好地应用于未来的问答任务中。

—

PIKE-RAG 框架

如下图所示，PIKE-RAG是一个多功能且可扩展的 RAG 框架。该框架主要由多个基本模块组成，包括：文件解析、知识提取、知识存储、知识检索、知识组织、以知识为中心的推理，以及任务分解与协调。通过这种模块化的架构设计，PIKE-RAG 能够根据不同的系统能力需求，通过调整主模块内的子模块，灵活搭建不同的 RAG 方法，从而应对实际场景中的复杂需求。

—

L0 到 L4级分阶段系统构建策略

PIKE-RAG 采用了层次化、分阶段的系统构建与实现策略，确保系统能逐步提升对复杂问题的处理能力。如下图所示：

它把系统构建分为 L0 到 L4（即知识库构建（L0）、事实型问题模块（L1）、链式推理问题模块（L2）、预测型问题模块（L3）、创造型问题模块（L4）），每个阶段都有不同的目标和挑战。

目前，该系统不论是在公开的基准测试中，还是在一些专业领域都取得了较好成绩。关于PIKE-RAG的更多信息请参考如下开源项目与论文：

GitHub 链接：https://github.com/microsoft/PIKE-RAG论文链接：https://arxiv.org/abs/2501.11551(opens in new tab)

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-07-30

优化 AI 问答准确率：知识库实践与避坑指南

2025-07-30

RAG召回优化完全指南：从理论到实践的三大核心策略！

2025-07-30

RAG 检索四件套全解析：模型、向量库、检索方式、排序器，一文选型不踩坑

2025-07-30

从0到1，彻底搞懂 RAG 分块的艺术（附开源代码）

2025-07-30

大规模RAG实施蓝图

2025-07-29

一小时内构建基于Gemma与Bright Data的生产级RAG应用

2025-07-28

做RAG系统到底是选MaxKB还是FastGPT

2025-07-28

企业RAG之构建 FastMCP 服务：基于模型上下文协议的智能服务体系搭建实践

了解更多

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

RAG技巧与底层代码剖析

2025-06-06

2025年GitHub上十大RAG框架深度解析：从技术原理到实战应用

2025-05-30

RAGFlow中的Embeddings模型选择及向量数据库选型与实现分析

2025-06-05

淘天⾃营质量技术AI智能体的实践和思考

2025-05-19

深度解读：LlamaIndex 实现 RAG 重排序的关键要点

2025-05-08

如何构建基于n8n的RAG日报工作流（手把手教程）

2025-05-10

RAG技术全解析：从基础原理到优化实战

2025-06-05

ragflow架构解析及性能优化方式

2025-05-20

知识图谱+RAG：大幅提升智能问答系统准确率

2025-06-05

让大模型“记住”更多：RAG与长期记忆

2025-05-09

大家都在问

长文本放提示词中还是采用 RAG？

2025-07-28

AI大模型落地最后一公里：RAG？

2025-07-09

向量相似度检索遇到天花板，是否我们走错了？

2025-07-04

RAG检索策略深度解析：从BM25到Embedding、Reranker，如何为LLM选对“导航系统”？

2025-07-01

从碎片到图谱：Graph RAG如何用知识网络颠覆传统搜索？

2025-07-01

qodo如何构建大型代码仓库的RAG？

2025-07-01

RAG系统的“聪明药”：如何用反馈回路让你的AI越用越聪明？

2025-07-01

GraphRAG的索引动态更新解法-分桶+局部更新及“上下文工程”新概念？

2025-06-30

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS 提示词框架提示词技巧 AI+电商 AI面试数字员工 ChatBI 知识管理开源大模型智能营销智能硬件智能化改造 AI+医疗 MaxKB