本次查询：检索增强推理
中文解释：检索增强推理
常见场景：适用于需要结合多源信息进行推导演绎的高风险场景 / 如法律条款适配 / 医疗诊断辅助 / 金融风险评估 / 学术文献综述等。
一句话解释
检索增强推理是让AI模型在给出最终答案前，先从外部知识库或数据库中检索相关事实信息，再基于这些信息进行显式的、多步骤的逻辑推导过程。它不同于简单的“检索+拼接”，强调推理的可控性和可追溯性。
为什么会被关注
大模型在处理需要精确事实或逻辑链条的复杂问题时，容易产生幻觉或答非所问。检索增强推理通过外部知识约束，大幅降低了错误回答的概率。同时，推理路径可以被记录和验证，这对金融、法律、医疗等要求高可靠性的行业至关重要。
核心逻辑
工作流程通常分三步：首先，根据用户问题从外部知识源（如数据库、知识图谱、文档库）检索相关片段；其次，将检索结果与问题组合，输入专门的推理模块进行多步逻辑推导；最后，输出结论。关键区别在于推理步骤显式依赖外部证据，而非仅靠模型内部参数。
常见场景
在智能法律咨询中，系统先检索相关法条和判例，再推理具体案件的应适用条款。医疗场景里，检索最新指南和患者病史后，推理鉴别诊断建议。科研工作者可用它检索论文摘要并推理研究趋势。此外，企业流程管理中处理多条件规则匹配问题，如“同时满足A政策和B资质的用户如何办理”。
容易混淆的点
检索增强推理（RAR）与检索增强生成（RAG）易混淆：RAG侧重将检索结果直接拼入上下文来生成回答，不强制进行显式推理；RAR则要求模型执行逻辑推导步骤。此外，它不同于思维链（Chain-of-Thought），后者依赖模型内部知识，无需外部检索。RAR需要额外搭建检索系统和推理框架，实现成本更高。