論文：RAG+: Enhancing Retrieval-Augmented Generation with Application-Aware Reasoning
連結：https://arxiv.org/pdf/2506.11555
為什麼傳統知識庫不夠聰明？
想像您讓模型解一道數學題：它從知識庫翻出了公式，卻因為不會套用公式而算錯答案——這就是當前檢索增強生成（RAG）技術的致命傷！現有的RAG就像「只給食譜不給實際操作示範」，導致模型在數學、法律、醫療等需要複雜推理的領域頻頻出錯。
RAG+的核心理念：配一本「說明書」
開創性設計：在傳統的「知識庫」旁新增「應用案例庫」，構成雙料庫：
• 知識庫：儲存定義、定理等「理論知識」
• 應用庫：配套的解題步驟、判決邏輯等「實操指南」
相當於給AI的參考答案加上了詳細解析版！例如：法律條文 + 真實判決案例 數學公式 + 分步解題示範
技術巧思：雙料庫如何煉成？
建構方法：
• 自動生成（適合數據少的領域）：用大型模型為知識點「編寫應用題」，例如讓GPT生成數學題的分步解法
• 現實匹配（適合案例多的領域）：將法律條文與真實判例配對，就像給法條貼上「使用標籤」
實驗效果：真實場景全面超越傳統方案
在數學、法律、醫療三大核心場景的測試中，RAG+全面碾壓：
• 法律判決預測：Qwen2.5-72B模型準確率飆升10%（76.5%→87.5%）
• 醫療問答：LLaMA3.3-70B成績突破85.6%（比基準線高4.6%）
• 數學推理：小型模型DS-Qwen-7B性能暴漲6.5%
揭示模型越大收益越高
一個案例研究：
發現：
• 小型模型逆襲：7B參數模型 + 應用庫 ≈ 70B大型模型裸跑性能
• 拒絕花拳繡腿：純應用案例比純知識提升有限，必須「知識 + 應用」雙管齊下
未來展望
團隊透露方向：
• 動態應用庫：根據問題即時生成案例，告別固定模板
• 糾錯機制：為AI配備「品管員」，過濾不可靠知識
• 跨模型協作：讓大型模型指導小型模型，實現低成本部署
「RAG+的突破在於意識到：檢索知識只是起點，教會AI運用知識才是終點」。