别搞Graph RAG了，拥抱新一代RAG范式DeepSearcher

前言

上午刚开心的在朋友圈庆祝了《哪吒2》登顶全球IMAX票房历史前八；

下午老板就说，小王啊，你这么懂，就拿DeepSeek做出一个《上古神话中龙族意象在流行文化中的演变》吧，记得下班前给我……

对了，记得要融合孙悟空和哪吒的痒点，结合《山海经》到《哪吒》的爆款打法，利用古典文学理论与当代精神分析双重赋能，打出我们的独特用户爽点（省略八百字）

老板的要求百爹齐放

但时间转换器从哈利波特走向现实之前，打工人的上班时间依旧是有限且有尽头的。

用传统RAG的思路应付交差吧，它只能帮你解决搜索事实的痛点

搞GraphRAG吧，老板还想要做出知识图谱与大模型生成的组合拳

你还真别说，不久前，Open AI推出Deep Research（深度研究）功能，还真能帮打工人几分钟就搞定老板的变态要求。

通过将大模型+超级搜索+研究助理的三合一，

Deep Research可以让金融机构一键生成报告、科研党一键生成综述。服务一经推出，立刻风靡全球。

但Deep Research底层模型绑定了OpenAI不说，还没办法利用本地数据。

这工作的环，闭了，但没完全闭。

基于这一思路，向量数据库公司Zilliz开源了DeepSearcher，目前在Github上已经有了1000+star。

该方案不仅结合了Deep Research的优势，在此基础上，用户还能自由选择底层大模型，并通过Milvus接入本地数据，更适合企业级场景落地。

尝鲜链接：https://github.com/zilliztech/deep-searcher

本文将通过DeepSearcher 技术分析，与传统RAG对比，以及实测展示三部分，带来相关解读。

01

RAG技术演进:从基础到增强

1.为什么我们需要RAG？

RAG（检索增强生成，Retrieval-Augmented Generation）通过整合实时搜索与大语言模型能力，解决了传统生成技术的三大痛点：

(1)知识时效性困境

大模型训练数据存在时间截断（如GPT-4仅更新至2023年）

RAG通过实时检索最新文档（如科研论文/新闻），动态扩展模型知识边界

(2)事实准确性瓶颈

纯生成模型易产生"幻觉"（Hallucination），虚构不存在的事实

RAG先检索相关证据文档，要求模型严格基于检索内容生成，显著降低错误率

（3）领域适配成本问题

微调（Fine-tuning）需要大量标注数据和计算资源

RAG仅需构建领域文档库，即可让通用模型输出专业内容（如法律/医疗场景）

2.传统RAG、Graph RAG、****DeepSearcher****的本质区别

假设一个你在图书馆找资料的场景:

传统RAG - 就像在图书馆找书

你知道当我们在图书馆找一本书时,通常会先看书名和简介对吧?传统RAG也是这个道理:

• 它会把所有文档内容"向量化" - 可以理解为给每段文字打上特征标签

• 当你问问题时,它就像图书管理员一样,根据这些标签快速找到最相关的内容

• 比如你问"哪吒的性格特点是什么",它就会找到描述哪吒性格的段落

• 优点是简单直接,缺点是可能会错过一些深层的关联信息

GraphRAG - 像是在查族谱

这个就比较有意思了,它更像是在查看一个互动版的族谱:

• 它会把人物、事件、关系都存成一张大网

• 每个人物是一个节点,人物之间的关系就是连线

• 当你问"哪吒和敖丙是什么关系"时,它能直接沿着关系网络找到答案

• 不只是找到表面的答案,还能发现意想不到的关联,比如他们共同的朋友或敌人

DeepSearcher - 像是在玩RPG游戏

这个方法有点像玩RPG游戏时的人物属性面板:

• 它会把信息分成不同的层次,就像游戏里的主线任务和支线任务

• 比如第一层是主要人物关系,第二层是详细的互动情节

• 当你问"描述哪吒在剧中的重要关系"时,它会先找到核心关系

• 然后逐层深入,找到具体的故事情节和细节

• 这样不会让信息太乱,层次分明更容易理解

2.25-1.png

3.不同RAG技术架构对比

（1）传统RAG架构

2.25-2.png

（2）GraphRAG架构

2.25-3.png

（3）DeepSearcher架构

2.25-4.jpeg

4.不同RAG数据组织方式对比

• RAG：采用的是扁平化的向量空间形式，让信息之间的关系更加直观。

• GraphRAG：则是利用图结构来进行存储，这种方式非常适合表示复杂且相互关联的数据集。

• DeepSearcher：通过树形层次结构来组织数据，并逐步反馈迭代，使得查找特定信息时能够像浏览文件夹一样方便快捷。

5.不同RAG检索机制对比

• RAG（检索增强生成）：通过比较文本向量之间的相似度来找到最相关的信息。

• GraphRAG：结合了图结构的数据遍历和路径查询技术，能够更精准地定位相关信息。

• DeepSearcher：采用多层次并行搜索加上智能过滤的方式，旨在从大量数据中快速准确地获取所需信息。希望这样改写能让大家更容易理解这些检索机制的特点！

6.不同RAG结果生成对比

• RAG：直接根据相关的文字内容生成答案

• GraphRAG：利用子图中的结构化信息来生成答案

• DeepSearcher：结合多层信息，并逐步深入挖掘多层信息和信息之间的关系，生成综合全面且准确的答案。

02

三种RAG设计模式试验效果

1.传统RAG

（1）准备技术栈

LLM	向量数据库	开发平台	向量模型
DeepSeek	Milvus	Dify	bge-m3

（2）实现步骤

1. dify中配置deepseek-r1模型

2. 创建哪吒2的知识库

3. 创建聊天助手关联知识库和模型

4. 问答查看效果

（3）测试数据集

哪吒是一个天生反骨的少年英雄,具有雷电属性,属于阐教。
他的父亲是李靖(陈塘关总兵),母亲是殷夫人。
他的师父是太乙真人,是阐教弟子。
敖丙是东海三太子,具有冰雪属性,属于龙族。

（4)测试问答

哪吒的父母是谁?

(5)问答效果

2.25-5.png

2.GraphRAG

（1）准备技术栈

LLM	图数据库	可视化平台
DeepSeek	NebulaGraph	NebulaGraph Studio

（2）实现步骤

1. 使用deepseek生成一些测试数据集

2. 安装NebulaGraph导入测试数据

3. Dify创建工作流应用

4. 配置Nebula API调用等

5. 编排工作流节点

6. 测试验证问答效果

（3）Nebula中插入数据步骤

创建图空间

CREATE SPACE IF NOT EXISTS nezha2(partition_num=1, replica_factor=1, vid_type=fixed_string(128));


（4）使用图空间

USE nezha2;

（5）创建角色标签

CREATE TAG role (    name string,           // 角色名    meteorological string, // 气象属性    faction string,        // 所属阵营    role_desc string,      // 角色描述    voice_actor string     // 配音演员);

（6)创建各种关系边

CREATE EDGE father_of (edge_time timestamp);    // 父子关系CREATE EDGE mother_of (edge_time timestamp);    // 母子关系CREATE EDGE teacher_of (edge_time timestamp);   // 师徒关系CREATE EDGE enemy_of (edge_time timestamp);     // 敌对关系CREATE EDGE friend_of (edge_time timestamp);    // 朋友关系CREATE EDGE lover_of (edge_time timestamp);     // 恋人关系CREATE EDGE brother_sister_of (edge_time timestamp); // 兄妹关系

(7)插入角色节点

INSERT VERTEX role (name, meteorological, faction, role_desc, voice_actor) VALUES "哪吒": ("哪吒", "雷电", "阐教", "天生反骨的少年英雄", "吕艳婷"),"敖丙": ("敖丙", "冰雪", "龙族", "东海三太子,哪吒的挚友", "瀚墨"),"太乙真人": ("太乙真人", "云雾", "阐教", "哪吒的师父,阐教弟子", "张珈铭"),"殷夫人": ("殷夫人", "细雨", "人类", "哪吒的母亲,温柔贤惠", "绿绮"),"李靖": ("李靖", "木", "人类", "哪吒的父亲,陈塘关总兵", "陈浩"),"申公豹": ("申公豹", "风暴", "截教", "截教弟子,野心勃勃", "杨卫"),"敖光": ("敖光", "海浪", "龙族", "东海龙王,敖丙之父", "雨辰"),"敖闰": ("敖闰", "空间系", "龙族", "东海龙王之女", "周泳汐"),"敖顺": ("敖顺", "毒", "龙族", "东海龙王之子", "韩雨泽"),"敖钦": ("敖钦", "火", "龙族", "东海龙王之子", "南屿"),"石矶娘娘": ("石矶娘娘", "沙尘", "截教", "截教弟子", "小薇"),"结界兽": ("结界兽", "雾霭", "中立", "守护结界的神兽", "");

(8)插入各种关系

// 家庭关系INSERT EDGE father_of VALUES "李靖" -> "哪吒": (NOW());INSERT EDGE mother_of VALUES "殷夫人" -> "哪吒": (NOW());INSERT EDGE father_of VALUES "敖光" -> "敖丙": (NOW());INSERT EDGE father_of VALUES "敖光" -> "敖闰": (NOW());INSERT EDGE father_of VALUES "敖光" -> "敖顺": (NOW());INSERT EDGE father_of VALUES "敖光" -> "敖钦": (NOW());// 师徒关系INSERT EDGE teacher_of VALUES "太乙真人" -> "哪吒": (NOW());// 朋友关系INSERT EDGE friend_of VALUES "哪吒" -> "敖丙": (NOW());INSERT EDGE friend_of VALUES "敖丙" -> "哪吒": (NOW());// 敌对关系INSERT EDGE enemy_of VALUES "申公豹" -> "太乙真人": (NOW());INSERT EDGE enemy_of VALUES "申公豹" -> "哪吒": (NOW());// 兄妹关系INSERT EDGE brother_sister_of VALUES "敖丙" -> "敖闰": (NOW());INSERT EDGE brother_sister_of VALUES "敖丙" -> "敖顺": (NOW());INSERT EDGE brother_sister_of VALUES "敖丙" -> "敖钦": (NOW());

(9)测试效果

这里我们使用NebulaGraph Studio进行测试

测试语句

// （查询哪吒相关所有关系）MATCH (v1:role)-[e]->(v2:role) RETURN e LIMIT 10;

2.25-6.png

// 多跳关系查询MATCH p=()-[*1..2]->()RETURN p LIMIT 5;

2.25-7.png

3.DeepSearcher

说明：DeepSearcher的核心是 分层语义理解（文档结构/段落/句子/关键词的多级解析），而Dify父子检索是 索引结构优化（将文档拆分为父-子块建立层级索引）。本演示效果仅限于使用父子检索功能实现DeepSearcher的 层级索引 特性。如果对DeppSearcher其他特性有兴趣的可以参考Zilliz开源项目Github-Deep Searcher https://github.com/zilliztech/deep-searcher

（1）准备技术栈

LLM	向量数据库	开发平台	平台功能	向量模型
DeepSeek	Milvus	Dify	父子检索模式	bge-m3

(2）实现步骤

1. 准备分层知识文档

2. 配置父子检索参数

3. 创建对话选择DeepSeek-R1模型

4. LLM处理检索结果

5. 测试验证问答效果

（3）测试数据集

# 角色基本信息
## 哪吒- 名称: 哪吒- 属性: 雷电- 阵营: 阐教- 描述: 天生反骨的少年英雄,拥有超凡的力量和勇气- 配音: 吕艳婷- 性格特点: 叛逆不羁,重情重义,敢于挑战命运
### 哪吒的关系网络- 父亲: 李靖(陈塘关总兵,严厉正直)- 母亲: 殷夫人(温柔慈爱,理解包容)- 师父: 太乙真人(循循善诱,关爱弟子)- 挚友: 敖丙(东海三太子,冰雪之力)- 敌人: 申公豹(截教弟子,处处作梗)
### 哪吒的剧情发展- 初遇敖丙: 在东海边缘的相遇,两个不同世界的少年- 修行历程: 在太乙真人门下学习法术,逐渐掌握雷电之力- 友情萌芽: 与敖丙从互不理解到成为挚友- 身份困扰: 面对阐教弟子和凡人双重身份的矛盾- 成长蜕变: 在各种挑战中突破自我,寻找真我
### 哪吒的能力特点- 主要法术: 雷电操控,混天绫,乾坤圈- 战斗风格: 灵活多变,攻击凌厉- 特殊天赋: 天生具有超凡力量- 成长轨迹: 从初学者到掌握强大法力
## 敖丙- 名称: 敖丙- 属性: 冰雪- 阵营: 龙族- 描述: 东海三太子,温润如玉的贵族少年- 配音: 瀚墨- 性格特点: 温和有礼,重情重义,内心坚韧
### 敖丙的关系网络- 父亲: 敖光(东海龙王,威严庄重)- 兄弟姐妹:   - 敖闰(龙女,擅长空间法术)  - 敖顺(二皇子,精通毒术)  - 敖钦(大皇子,掌控火焰)- 挚友: 哪吒(阐教弟子,雷电之力)- 属下: 结界兽(守护东海结界)
### 敖丙的剧情发展- 身份困扰: 作为龙族继承人的责任与压力- 友情抉择: 在族群立场与个人情谊间的挣扎- 能力觉醒: 冰雪之力的不断提升与掌控- 性格成长: 从谨慎拘谨到开朗自信- 守护之道: 保护东海与亲友的决心
### 敖丙的能力特点- 主要法术: 冰雪操控,水系法术- 战斗风格: 优雅从容,防守反击- 特殊天赋: 天生亲和水元素- 成长轨迹: 从单纯的王子到独当一面
## 太乙真人- 名称: 太乙真人- 属性: 云雾- 阵营: 阐教- 描述: 阐教重要弟子,哪吒的师父- 配音: 张珈铭- 性格特点: 智慧通达,慈悲为怀
### 太乙真人的关系网络- 弟子: 哪吒(得意门生)- 同门: 其他阐教仙人- 对手: 申公豹(截教弟子)
### 太乙真人的剧情参与- 收徒教导: 发现哪吒天赋,悉心培养- 化解危机: 多次调解哪吒与各方矛盾- 守护正道: 对抗截教势力的渗透
# 阵营势力分析
## 阐教- 代表人物: 太乙真人、哪吒- 特点: 崇尚正统,重视秩序- 立场: 维护天地秩序,抵制混乱- 修行特色: 注重心性修养,讲究循序渐进
### 阐教的理念- 修行观: 重视内在修养- 处世态度: 主动干预,匡扶正义- 对待人间: 既重视规则,也关注个体
## 龙族- 代表人物: 敖光、敖丙- 特点: 高贵优雅,重视传统- 立场: 守护东海,维护龙族利益- 统治方式: 等级分明,讲究礼制
### 龙族的传统- 治理理念: 重视血脉传承- 对外态度: 谨慎自守,避免冲突- 内部规则: 等级森严,重视礼法
## 截教- 代表人物: 申公豹- 特点: 包容驳杂,手段灵活- 立场: 追求变革,不拘一格- 行事风格: 灵活多变,善用权谋
### 截教的特点- 修行方式: 讲究实用- 处世态度: 积极进取,不拘形式- 发展策略: 广收门徒,扩张势力
# 重要事件与剧情发展
## 东海危机### 事件起因- 结界异常- 势力冲突- 个人恩怨
### 事件发展- 哪吒与敖丙的相遇- 各方势力的介入- 矛盾的激化与升级
### 事件影响- 个人成长- 势力变化- 关系转变
## 人物关系演变### 友情的考验- 立场差异- 信任建立- 共同成长
### 师徒情谊- 教导方式- 互相理解- 成长蜕变

（4）新建知识库并开启父子模式

2.25-8.png

（5）测试效果

测试单层信息获取

"哪吒的基本属性是什么?"

2.25-9.png

测试关系信息理解

"哪吒和敖丙是什么关系?他们的性格有什么不同?"

2.25-10.png

测试跨层级推理

"阐教和龙族的矛盾体现在哪些方面?对哪吒和敖丙的友情有什么影响?"

2.25-11.png

03

不同RAG模式维度对比

维度	RAG	GraphRag	deepsearcher
检索机制	向量相似性搜索，平坦检索	图关系查询，基于实体和关系的检索	粗到细的渐进检索，多阶段筛选候选
上下文处理	通过文本拼接提供上下文，简单直接	利用知识图谱关系，上下文结构化丰富	通过多阶段精炼，逐步提升上下文相关性
效率与扩展性	适合中小数据集，平坦检索可能效率低	处理复杂关系，图规模大时效率可能下降	设计为高效处理大数据，平衡效果与效率
准确性与相关性	依赖嵌入质量，相关性受限于检索文档	结构化关系提升准确性，适合复杂查询	多阶段精炼提高准确性，适合动态更新信息
实现复杂度	简单，使用标准库如LangChain即可	复杂，需要构建和维护知识图谱	较复杂，涉及多阶段检索管道，需高级设置

04

写在最后

1.DeepSearcher 的概念先进性

DeepSearcher 的先进性在于它突破了传统检索和生成的分步模式，深度整合深度学习，优化整个搜索过程。其核心优势包括：

更智能的检索：语言模型参与检索过程，例如生成候选查询或重新排序结果，提升相关性。例如，面对“如何选择适合我的手机？”，DeepSearcher 可根据用户历史生成更精准的检索条件。

适应性强：通过反馈循环（如强化学习）优化搜索，基于用户行为不断改进。例如，搜索结果不满意时，系统可学习调整策略。多模态支持：能处理文本、图片、视频等混合数据，适合现代应用需求，如搜索“展示红色跑车的图片和相关新闻”。

个性化能力：深度学习模型可根据用户偏好定制搜索结果，相比 RAG 和 GraphRAG 的静态检索更灵活。令人惊讶的是，DeepSearcher 的搜索过程更像人类思考，能理解上下文和意图，但这也带来效率和解释性的挑战。

2.实现 DeepSearcher 面临以下实际挑战

集成复杂性：将语言模型与搜索索引深度整合，需要设计高效的架构。例如，如何在不牺牲性能的情况下让语言模型参与检索？

实时更新：处理实时数据更新（如股票价格变化）时，确保模型及时适应，技术难度较高。系统复杂性：DeepSearcher 可能涉及多个组件（如检索模块、生成模块、学习模块），增加维护和故障排查难度。

RAG 和 GraphRAG 是成熟的范式，分别适合文档检索和关系查询，而 DeepSearcher 代表未来方向，通过深度学习优化搜索过程，适合复杂、个性化的需求。尽管它潜力巨大，但效率、解释性和数据需求仍是需要攻克的难题。实现中需关注集成复杂性和实时性，确保系统在实际应用中表现稳定。