RAG是一种基于“检索结果”做推理的应用，这大大限制了类似DeepSeek-R1模型的发挥空间。但又的确存在将RAG的准确性与DeepSeek深度思考能力结合的场景，而不仅仅是回答事实性问题。比如：基于企业知识库与产品文档，写一份市场分析报告。
根据已有的技术报告创作一篇公众号文章。
你很难用传统的RAG方法去“回答”这样的主题；也无法快速的更换DeepSeek就输出需要的结果。本文将介绍如何结合DeepSeek-R1与Agentic RAG方法以构建带有“深度思考”开关的问答与研究助理。请注意这个开关并不是简单的换模型：
实际应用中的上述场景存在这样的一些典型特点或业务需要：
需要借助RAG以获得参考文档与知识，这本质是提升准确性
必要时使用互联网搜索获得更多外部信息，比如了解竞品
生成的结果不是简单的答案，而需要有良好的内容条理与结构
这样场景中你无法直接让模型”深度思考“出你需要的结果。因为这里的输出并不仅仅依赖于模型的生成能力，更需要参考足够的私域知识，而这些知识则需要借助RAG或搜索引擎来检索。或者说，复杂度更多体现在研究结构的规划与关联知识的检索。
因此考虑这样一种方案：
借助DeepSeek思考与规划研究大纲、并提出针对性的问题
借助RAG引擎来回答这些提出的问题，答案作为参考知识
综合这些问题及答案，并根据规划的大纲生成最终研究结果
我们设计如下的Agentic Workflow：
流程详细描述如下：
为了让这个Agent既能够支持简单的事实性问答，也能切换做深入的研究，设计DeepResearch这样的开关，把选择权交给用户；
如果无需深度思考，则直接调用Agentic RAG回答问题；
如果需要深度思考，则进入如下流程：
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，以有效的检索到研究所需要的知识
问题回答：获得这些问题的答案，这个步骤借助已构建好的Agentic RAG系统来获得，以确保获得参考信息的准确性。这一步可以并行开展
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，并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系统在这成为了后端的一个“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可以更灵活的跨越多个数据源（比如不同的知识库/文档）、跨越多种类型RAG管道（比如回答事实性问题与总结性问题）及互联网搜索工具等来回答问题，以提供研究需要的参考信息。
这样的工作流程优势在于：通过先推理大纲与假设性问题来提高信息获取的覆盖面与引用密度，同时又能借助RAG检索私有知识，提高准确性；同时还利用反思模式来提高最终的生成质量。当然缺点是流程较长，但对于这样的研究是可以接受的。现在来实现这个具有“深度思考”能力的Agentic Workflow，我们采用的工具为：
Agentic RAG系统使用LlamaIndex+Chroma向量库+gpt-4o-mini
Workflow编排使用LlamaIndex Workflows
deepseek-r1模型作为大纲生成、研究报告创作
gpt-4o-mini用作问题规划、报告审核
首先来实现这里的Agentic RAG应用，对于无需“深度思考”的问题，这个应用就是直接回答问题的主体。构建基本过程如下：
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'用来查询DeepSeek-R1的技术细节')
...
#搜索工具
search_tool = FunctionTool.from_defaults(fn=web_search,name = 'search_tool',description='用来搜索网络以获取信息')
#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。""")
你可以在构建完这个Agent以后，先测试该Agent的工具推理与回答能力，以确保能够为后面的研究提供准确的信息。比如用如下代码测试：
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）：
准备好Agentic RAG这个“工具”后，接下来实现深度思考的主流程。
我们基于LlamaIndex的Workflows来构建（当然你完全也可以使用LangGraph），根据上面的设计，这个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: 根据研究的大纲设计问题，使用gpt-4o
answer_question: 并行调用已经创建Agentic RAG获得问题答案
general_final_answer: 根据大纲、问题/答案生成结果，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<think>部分，如果你使用deepseek-r1才需要
response = re.sub(r"<think>.*?</think>", "", 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))
其他步骤可以按照类似方式来编写，最终完成Workflow的定义。现在可以测试调用这个Workflow，你可以打开或者关闭“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，你将会看到更详细的、遵循上面研究提纲的输出结果。在测试发现的一些潜在问题及其未来的改进空间：
优化方法可以考虑：
粤ICP备14082021号
免费POC，
零成本试错
