引言

在人工智能领域，大规模语言模型的能力令人惊叹，但它们的部分局限性也逐渐显露。例如，当模型需要回答复杂问题时，它究竟该依赖外部检索到的信息，还是自身参数中“记住”的知识？这一问题在医学问答场景中尤为突出：缺失一条关键证据可能导致诊断错误，而生成不实信息则可能带来更严重的后果。2026年的WWW大会上，中国人民大学高瓴人工智能学院与腾讯天衍实验室合作的论文《MedRGAG框架：统一检索与生成的医学问答范式》荣获唯一最佳长文奖。这项研究不仅在医学领域具有重要意义，更为大模型如何可靠地组织知识提供了通用范式。

医学问答：高压考场中的知识组织难题

医学问答场景是检验语言模型知识组织能力的绝佳高压测试环境。与其他问答任务不同，医学领域的问题往往要求高度精准且全面的知识支持。一方面，外部检索系统可能无法覆盖所有关键证据，导致模型在缺失信息的情况下进行推断。另一方面，依赖模型内部参数生成的知识虽然贴近问题，但其准确性难以保证，一旦生成错误信息，后续推理和决策也会偏离方向。

传统的知识增强技术主要分为两大类：
- RAG（Retrieval-Augmented Generation）：优先从外部文档中检索信息，再基于检索结果生成答案。这种方法能够增强答案的可靠性，但对检索完整性依赖较大。
- GAG（Generation-Augmented Generation）：直接利用模型的记忆生成答案，生成内容通常更贴近问题，但容易出现“生成幻觉”（即生成虚假或不准确的信息）。

在医学问答中，这两种方法的缺陷都被放大：检索可能漏掉关键证据，而生成的幻觉可能成为误导性的“伪证据”。因此，仅仅讨论“信检索还是信生成”已无法满足复杂场景的需求。

MedRGAG框架：从“信谁”到“缺什么”

MedRGAG框架提出了一种全新的知识组织流程，通过“检索-补全-选择”三步协同工作，将问题的核心从“信谁”转变为“回答一个问题需要哪些知识”。这项技术的核心思想是围绕问题需求查漏补缺，而非简单叠加检索与生成的结果。

一种新的知识增强路径：先检索、再补全、再选择

MedRGAG框架在面对一个问题时，首先通过多源检索系统获取初始证据池。随后，利用两个核心模块完成知识补全和证据筛选：
- KGCC模块（Knowledge-Guided Context Completion）：解决“生成什么”的问题。它先总结检索到的文档，判断回答问题还缺哪些关键信息，并围绕这些缺口生成背景文档。
- KADS模块（Knowledge-Aware Decision Selection）：负责“选什么证据”。它从检索与补全的合并资料中筛选最相关、可靠的证据，最终生成答案。

这种查漏补缺式的路径确保了检索、生成与选择围绕问题需求展开协同工作，而非相互独立或冲突。

KGCC模块：让生成有的放矢

普通的生成往往缺乏明确目标，容易出现内容冗余或不准确的问题。KGCC模块的创新在于让生成过程具备针对性：
1. 总结关键知识点：将检索文档压缩为与问题相关的知识点，无关文档则被过滤掉。
2. 发现知识缺口：通过分析问题需求，找出检索未覆盖的关键信息。
3. 补全知识缺口：围绕发现的缺口生成背景文档，避免与已有证据重复。

这种生成方式不仅贴合问题需求，还降低了生成幻觉的风险。

KADS模块：从混合证据中筛选可靠答案

KADS模块的任务是从检索和生成的混合证据中筛选出最具支持性的材料。它不仅关注证据的相关性，还评估其可靠性与完整性，有效防止不准确的信息进入最终答案。这一步骤强化了模型的回答质量，使答案更具可信性。

影响与展望

MedRGAG框架的成功不仅解决了医学问答这一特定场景中的知识组织难题，还对大模型在更广泛领域的应用产生了深远影响。

医学领域：提升诊断可靠性与效率

在医学场景中，患者问题往往涉及复杂的诊断推理和多学科知识。MedRGAG框架能够有效减少诊断过程中的知识缺失与生成幻觉，提升模型在医学问答任务上的可靠性。这项技术有望在智能医疗助手、远程诊断系统等应用中发挥关键作用。

通用场景：知识增强的新范式

MedRGAG框架的理念具有通用性。无论是在法律、教育还是商业决策场景中，模型都面临着“检索与生成”的组织难题。通过“检索-补全-选择”的流程，大模型能够更精准地围绕问题需求组织知识，进一步提升其应用价值。

AI研究方向：融合与协同的知识组织

这项工作不仅强调了检索与生成的融合，更展示了知识协同的重要性。未来，大模型的研究方向可能会从单一能力的优化转向多模块协作设计，为复杂任务提供更可靠的解决方案。

结语

MedRGAG框架的提出标志着大规模语言模型知识组织能力的一次重要突破。通过从“信谁”到“缺什么”的思维转变，这项技术为复杂问题提供了一种更加精准、可靠的解答路径。随着大模型在各领域的深度应用，这种查漏补缺式的知识增强方法或将成为未来的主流范式。

标签： 人工智能 医学问答 知识增强 大模型