R1-Reasoning-RAG：将 DeepSeek-R1的推理与Tavily搜索相结合，以实现递归RAG工作流。

R1-Reasoning-RAG是什么？

R1-Reasoning-RAG 是一种基于 LangGraph 构建，给合了DeepSeek R1 推理模型 和 Tavily 搜索的框架，以实现递归 RAG 工作流。这个框架能从知识库里智能地检索、筛选和整合信息，用来全面回答复杂的问题。

R1-Reasoning-RAG核心特点

深度推理与知识检索结合：DeepSeek R1有很强的推理能力，它用链式思考来处理查询和检索到的信息，这样就能给出更准确、和上下文联系更紧密的回答。同时，RAG框架能从外部知识库找最新的数据，让回答又准又有时效性。

递归式RAG：这个框架支持递归式的RAG流程。碰到复杂问题时，模型可以多次去检索和筛选信息，一点一点把完整答案构建出来。

无需额外重排步骤：DeepSeek R1在推理的时候，能直接给检索到的信息打分、确定优先级，不用再有额外的重排操作。

高效的知识库构建：构建知识库时，要把文档分块，把语义表示成嵌入形式，然后把这些嵌入向量存到高效的向量数据库里，像FaiSS或者ChromaDB都可以。

R1-Reasoning-RAG应用场景

复杂问题回答：在需要深度推理、综合多源信息的场景里都能用，比如法律文档检索、当科研助理、做复杂决策支持等。

智能体系统：对那些需要推理和评估步骤的智能体系统很有帮助，能提升处理复杂任务的决策能力。

技术栈与开源

开源实现：R1-Reasoning-RAG的代码已经开源了，是基于LangChain构建的，里面有LLM、Prompts和Agent这三个脚本。

技术栈：用了FAISS这样的开源工具和Hugging Face模型，能快速推理，部署起来也高效。

R1-Reasoning-RAG优势

精准推理：DeepSeek R1的推理能力让RAG框架处理复杂问题时，又准又能深入。

高效性能：检索和推理流程经过优化，生成回答花的时间少了，计算成本也降低了。

R1-Reasoning-RAG把DeepSeek R1的推理能力和RAG的检索能力结合起来，在回答复杂问题上又高效又精准。在法律、科研、智能体这些领域都有很大的应用潜力 。

GitHub 仓库地址：https://github.com/deansaco/r1-reasoning-rag