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： 1679

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：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2025-06-14

什么是RAG？一文搞懂检索增强生成技术

2025-06-14

AI开发实战：解决RAG的召回不准问题

2025-06-13

揭开RAG的神秘面纱：90%的人不知道腾讯IMA底层原理

2025-06-13

金融智脑：破解RAG系统在金融场景中常见失败的七大陷阱

2025-06-13

从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？

2025-06-13

大模型：多种RAG组合优化（langchain实现）

2025-06-12

深入使用 Deep Research 后，我确信 RAG 的未来是 Agent

2025-06-12

从传统 RAG 到知识图谱 + Agent，知识库 AI 问答成功率终于达到 95% 了，来自蚂蚁集团的经验

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

通义QwQ-32B+Milvus，消费级显卡布满血大模型与RAG的时代来了！

2025-03-21

RAG检索增强之Reranker重排序模型详解！

2025-03-20

大模型 RAG 终极指南：信息检索 + 文本向量化 + BGE-M3 实践全解析！

2025-03-24

AISearchPro-AI智能搜索实践

2025-03-17

MCP、RAG、Agent之间的概念和关系，被我和AI协作的12张图总结了

2025-03-24

AI Agent 记忆技术浅析

2025-03-19

一个能给大模型加上“记忆”的工具，让 AI 助手更懂你，Star 26K+！

2025-03-24

Ragflow技术栈分析及二次开发指南

2025-03-28

让模型更懂你的业务！RAG原理和解决方案解析

2025-04-01

RAG 开发实例

2025-03-23

大家都在问

从零开始学 Dify - Dify 的 RAG 系统如何有效地处理和检索大量文档？

2025-06-13

通过 RAG如何扩展提示词Prompting?

2025-06-09

为什么 RAG 一定需要 Rerank？

2025-06-06

RAG和向量数据库之间有什么关系?

2025-05-30

超越基础：Agentic Chunking 如何彻底改变 RAG？

2025-05-29

用Milvus构建RAG系统，N8N VS dify 如何选？

2025-05-29

【RAG】给传统企业搞AI转型，RAG项目最难啃的骨头是啥？

2025-05-23

解锁AI时代的核心通关密码——为什么你必须搞懂RAG、Agent、MCP？

2025-05-16

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