面试题 · RAG
搜索「Embedding 模型」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
请详细说明深度研究（Deep Research）与检索增强生成（RAG）在技术原理、应用场景以及优缺点方面的区别。
| 维度 | RAG | Deep Research |
|---|---|---|
| 本质 | 检索→生成的一次性流程 |
按学习路线查看教程、项目和面试题。
| 多轮"检索-分析-再检索"的自主循环 |
| 决策主体 | 预定义流程，无自主规划 | LLM自主决定下一步检索什么 |
| 检索次数 | 通常1-2次 | 数十次甚至上百次 |
| 输出形态 | 直接回答 | 结构化研究报告（带引用） |
RAG
Deep Research
| RAG适合 | Deep Research适合 |
|---|---|
| 企业内部知识库问答 | 行业调研、竞品分析 |
| 客服机器人、文档助手 | 学术研究、投资尽调 |
| 医疗/法律条文查询 | 需要多源交叉验证的复杂决策 |
RAG
Deep Research
RAG是"给你一本书查答案"，Deep Research是"派一个研究员去图书馆泡一天写报告"——前者是工具增强，后者是Agent自主行为。
场景切入
假设你在做一个行业调研助手，用户问“新能源汽车行业竞争格局”，如果只做一次检索，可能只能拿到一堆基础信息，但深度研究需要自己规划、多次搜索、交叉验证。你觉得这两种做法在技术原理上有什么本质区别？
层层追问
你用过RAG对吧？那如果用户问的是一个需要多步推理的复杂问题，比如“比较特斯拉和比亚迪的电池技术路线”，RAG一次检索够吗？……那如果不够，你会怎么改进？……更进一步的，让模型自己决定下一步搜什么，这算不算深度研究？
直球架构
请从技术原理、应用场景和优缺点三个维度，对比一下Deep Research和RAG。直接讲核心区别，不用铺垫。
这道题其实在问一个很本质的问题：当我们需要用大模型回答问题时，是一次检索就够了，还是需要像研究员一样反复查资料。[[RAG]]和Deep Research正好代表了这两个极端。RAG的核心就是单次检索加生成，流程固定，而Deep Research是自主迭代，模型自己决定下一步查什么，查完再分析，再查，反复很多轮。
具体来说，RAG的流程是：用户提问，从[[向量库]]里召回相关文档，[[重排序]]，然后生成答案。它本质上是一次性的，检索次数通常就一两次。而Deep Research呢，它会先拆解问题，比如你问“某行业未来三年趋势”，它会自己生成子问题，像政策、技术、市场各是什么情况，然后分别去检索，把结果整合起来，再决定要不要继续深挖。整个过程可能涉及几十次甚至上百次检索，最后输出一份带引用的研究报告。
所以边界就很清楚了：RAG适合那些答案就在某几段文档里的问题，比如企业内部知识库问答，客服机器人查退款政策，或者医疗法律条文查询。这些场景下，答案确定，文档覆盖全，一次检索就够了。而Deep Research更适合开放式的复杂问题，比如行业调研、竞品分析、学术研究，需要多源信息交叉验证，甚至需要推理和综合判断。
我举个具体业务例子。假设一个电商客服场景，用户问“我买的东西降价了，能退差价吗”，这时候RAG就很好用，因为退款政策就在知识库里，检索到相关条款就能直接回答。但如果用户问“对比一下我们和竞品在东南亚市场的定价策略”，这就不是RAG能搞定的了，需要Deep Research去搜竞品官网、行业报告、新闻，然后综合出结论。
那落地的时候有什么风险呢？先说RAG，它的前提是文档质量高、[[分块]]合理。常见失败场景是分块太大导致噪声多，或者太小导致语义不完整。上线我会特别关注召回率和精确率的平衡，还有重排序的效果。另外，RAG对多跳推理很弱，比如“A公司的供应商是谁，它的环保政策是什么”，这种问题RAG往往会漏掉中间环节。Deep Research的风险则是成本高，token消耗大，而且可能陷入无效循环，比如模型一直查同一个方向跑偏了。所以前提是要有可靠的终止条件，比如最大轮数或者置信度阈值。
其实现在有个趋势是把两者结合，比如用RAG做快速的事实检索，再结合[[Agent]]的规划能力做多步推理。像[[Agentic RAG]]就是这种思路，模型先用RAG拿到初步信息，然后根据结果决定下一步是继续搜还是直接回答。这个方向的关键是平衡成本和准确性。
所以我的判断是：RAG是基础设施，解决大部分常规问题，成本可控；Deep Research是进阶能力，解决那些真正需要深度研究的问题。实际项目中我会根据问题复杂度动态选择，或者直接做一个路由：简单问题走RAG，复杂问题走Deep Research。这样既保证效率，又覆盖了深度需求。