标题：RAG性能提升20%！清华等推出以笔记为中心的深度检索增强生成框架

在大语言模型广泛应用的背景下，如何更高效结合外部知识提升复杂问题的理解与解答能力成为RAG技术的核心挑战。清华大学、中国科学院大学、华南理工大学、东北大学及九星（AI9Stars）联合团队提出全新适应式RAG方法——DeepNote，首次引入“笔记”作为知识载体，实现更深入、更稳定的知识整合，相比基础RAG性能提升20.1%，并在中小参数量模型中表现出强大能力与泛化性。

传统RAG仅支持一次性检索，难以应对多实体或多事实推理需求。多轮检索虽有所改进，但易引入噪声，降低回答质量。自适应RAG虽引入动态决策机制，但仍面临检索-生成耦合过紧与检索策略决策不足的问题。DeepNote以“笔记”为核心，分为三阶段：笔记初始化、基于笔记的适应式检索及基于笔记的答案生成。它通过自主整理结构化知识，确保每轮检索目标明确，最终生成清晰、完整且连贯的答案。

实验显示，DeepNote在HotpotQA、ASQA等五大代表性数据集上全面超越主流RAG方法，尤其在多跳问答和长形式问答中表现优异。团队还构建高质量训练数据集DNAlign并优化模型，进一步提升其性能。DeepNote不仅实现了“信息生长”，还提高了知识密度，支持自适应停止与深度控制，具有高通用性。该方法为复杂任务提供更接近人类的信息整合与推理能力，具有广泛应用前景。论文与开源项目已发布，欢迎交流。