RAG（检索增强生成）已经成为大模型落地的标配技术。但用过的人都知道一个痛点：明明搜到了对的文档，模型给出的答案还是离谱。

这到底是怎么回事？

德国萨尔大学 × 腾讯优图 × 交大 × 复旦 × 浙大组成的研究团队给出了一个狠准的诊断：问题不在搜索，而在阅读理解。现有 RAG 把检索到的段落当 " 散装零件 " 直接投喂给模型，段落里的主次关系、段落间的逻辑脉络全部被抹平了。模型看到的不是一份有条理的参考资料，而是一锅 " 信息乱炖 "。

为此，研究团队提出了Disco-RAG——一种在 " 搜 " 和 " 答 " 之间加入 " 读懂 " 环节的新型 RAG 框架。该工作已被ACL 2026 主会录用为长文。在三个权威基准上取得多项最优，而且全程零训练。

先看一个例子：传统 RAG 是怎么 " 答错 " 的

用户问：" 补充维生素 D 能预防流感吗？" 系统搜回了两段文献：

段落 A：" 在冬季维生素 D 水平偏低的成年人群中，额外补充维生素 D 后流感发病率下降了 12%。"

段落 B：" 大规模随机对照试验未发现维生素 D 补充与流感风险之间存在统计学上的显著关联。"

传统 RAG 把 A 和 B 一股脑拼在一起交给模型。模型一看 " 下降 12%"，直接输出 " 维生素 D 有效 " ——完全没理会 A 前面那个至关重要的限定条件（" 冬季 + 偏低人群 "），更没看出 A 和 B 其实是在 " 打架 "。

这背后是传统 RAG 的两个致命盲区：

段落内部看不到主次——哪句是结论、哪句是前提条件，模型完全分不清。

段落之间看不到关联——两段文献究竟是互相支持还是互相打脸，模型一无所知。

换句话说：RAG 的短板不是 " 搜不到 "，而是 " 搜到了读不懂 "。

现有方法不是没试过

这个问题其实行业早就有感知。过去几年，研究者们提出了各种补救思路：重新排序检索结果，把最相关的段落排到前面；改写用户查询，让搜索更精准；压缩冗余段落，减少无关信息干扰；甚至让模型多轮迭代检索，逐步逼近答案。

这些方法确实有效，但它们优化的始终是 " 搜 " 这个环节——背后有一个隐含假设：只要把更好的内容送到模型面前，模型自然就能给出好答案。

然而现实是，很多时候内容已经 " 够好 " 了，问题出在模型拿到这些内容之后不知道怎么组织。当多个段落之间存在复杂的逻辑关系——比如一个给出了限定条件下的结论，另一个给出了相反的大规模实验结果。单纯把它们排个序或者压缩一下，并不能帮助模型理解这些段落之间到底是什么关系。

这正是 Disco-RAG 要攻克的核心问题：不是让模型看到更好的内容，而是让模型真正读懂已有的内容。

Disco-RAG 怎么解？三步让模型学会 " 读 " 文档

思路很直接：在 " 搜 " 和 " 答 " 之间插入一个" 读懂 " 环节，用语言学里经典的修辞结构理论（RST）解析文本逻辑，再让模型动笔。

全程三步，不改模型一个参数：

第一步：给每个段落画一棵 " 论证树 "。利用 LLM 将段落拆解为最小语义单元（EDU），然后标记每个单元是 " 核心内容 " 还是 " 辅助说明 "，同时识别单元之间的关系类型（如因果、对比、展开等）。这样一来，模型就能区分 "12% 的下降 " 和 " 仅限特定人群 " 哪个才是这段话的重心。

第二步：给所有段落织一张 " 关系网 "。对检索回来的全部段落做两两配对分析，预测它们之间是支持、反驳、补充还是无关，最终形成一张有向图。上面那个例子中，系统会在 A 和 B 之间标注 " 对比 " 关系。

第三步：先列提纲，再写答案。综合用户的提问、原始段落、论证树和关系网，Disco-RAG 先自动生成一份 " 写作提纲 "。提纲里标明了要引用的关键证据、叙述的先后顺序、以及如何协调矛盾信息。最后，模型以提纲为指导，产出最终回答。

回到维生素 D 的例子

Disco-RAG 处理前面那个 " 维生素 D 能不能预防流感 " 的问题，具体会发生什么？

首先，论证树会解析段落 A 的内部结构，把 " 冬季维生素 D 水平偏低的成年人群中 " 标记为限定条件（辅助单元），把 " 流感发病率下降了 12%" 标记为核心结论（核心单元）。这意味着模型不会再把一个有前提的局部结论当成普适事实。

接着，关系网会在段落 A 和段落 B 之间建立一条" 对比 " 关系的边——明确告诉模型：这两段文献的立场存在冲突，不能简单取其中一个当答案。

最后，写作提纲会据此规划回答策略：先分别介绍两项研究的发现和各自的适用范围，再指出二者之间的矛盾，最后给出一个有条件的综合判断。

这样一来，模型的最终回答就不再是简单粗暴的 " 有效 " 或 " 无效 "，而是一个有层次、有条件、有依据的分析。这恰恰是用户们对高质量回答的期待。

成绩单：三大基准全面领跑

团队在三个覆盖不同场景的权威基准上做了全面评测，使用多款开源模型，全部不做任何训练。

长文档推理（Loong）

这个基准测试模型在超长文档上的推理能力，文档长度从 1 万到 25 万 tokens 不等。核心发现：文档越长，Disco-RAG 的优势越大。在最长的 25 万 tokens 档位，普通 RAG 几乎完全失效，而 Disco-RAG 依然能给出有效回答。更值得一提的是，Disco-RAG 的整体表现甚至超过了需要专门训练的方法。

歧义问答（ASQA）

面对含义模糊的问题，Disco-RAG 在核心指标上均刷新了最佳记录。更值得注意的是，即使只用参数量很小的模型，Disco-RAG 也能达到此前各种专门设计的系统的水平。

科学摘要（SciNews）

把学术论文改写成通俗新闻摘要——这个任务很考验综合理解与表达能力。Disco-RAG 在四项评测指标中拿下三项第一，事实一致性排名第二。

提升真的来自 " 读懂了结构 " 吗？

团队做了一系列对照实验来验证这一点：

三个模块各有分工，缺一不可。分别去掉论证树、关系网、提纲步骤后，性能都会出现明显下滑，说明三者各自承担了不同的角色。

光加规划没用，必须加结构。给普通 RAG 加一个通用规划步骤（不含篇章结构），提升很有限。而 Disco-RAG 的大幅提升主要来自 " 论证树 + 关系网 " 这套结构化表示。说明模型确实在利用文本的逻辑结构，而不是单纯因为输入变长了。

面对噪声和粒度变化，依然稳健。即使把大量检索结果替换成无关内容，或者大幅调整段落切分粒度，普通 RAG 波动剧烈，Disco-RAG 始终保持稳定表现。

实际部署：小模型做分析，大模型做生成

Disco-RAG 的三个模块（论证树、关系网、提纲）和最终的答案生成是解耦的，可以用不同大小的模型来分别承担。团队做了一组混合部署实验：用参数量较小的 Llama-3.1-8B 负责所有结构分析模块，只在最后的生成环节调用 Llama-3.3-70B。

结果表明，用小模型做结构分析、大模型只负责最终生成，就能恢复绝大部分性能增益。甚至全部用 8B 小模型跑 Disco-RAG，效果也远超用 70B 跑普通 RAG。这意味着 Disco-RAG 的落地成本可以很灵活。结构分析模块可以 " 降配 " 部署，核心收益依然保留。

与训练结合：篇章结构和微调并不冲突

既然 Disco-RAG 不用训练就能提效，那如果叠加训练会怎样？团队在 SciNews 摘要任务上做了对比：

两个关键发现：第一，不训练的 Disco-RAG 已经超过了经过微调的普通 RAG，这说明结构信息的价值不可小觑。第二，当微调与篇章结构结合使用时，效果进一步提升，说明两者带来的收益是互补的，而非重叠的。这为实际应用指出了一条清晰的路径：先用 Disco-RAG 免训练拿到即时收益，再根据需要叠加微调，还能进一步提升。

总结

Disco-RAG 给出了一个清晰的思路：与其一味优化 " 搜 "，不如先教模型学会 " 读 "。

在检索和生成之间加入一层篇章结构解析。让模型看懂段落内部的主次关系、理清段落之间的逻辑脉络、再列好提纲动笔。不需要训练、不需要改模型，就能让 RAG 的回答质量大幅提升。尤其在长文档和噪声场景下，效果尤为明显。

从更大的视角来看，这项工作揭示了一个被长期忽视的事实：自然语言文本不是一堆句子的简单堆砌，它有自己的逻辑骨架——有主次、有因果、有转折、有呼应。当我们把这个骨架还给模型，模型对信息的理解和组织能力就会产生质的变化。

这个思路不仅适用于 RAG 场景，也可能为更广泛的多文档推理、长文本理解等任务提供新的启发。对于正在做 RAG 系统落地的团队来说，Disco-RAG 提供了一个轻量、即插即用的增强方案，值得关注。

论文：

Disco-RAG: Discourse-Aware Retrieval-Augmented Generation

链接：

https://arxiv.org/abs/2601.04377

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

—  完  —

我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生 

感兴趣的小伙伴欢迎关注  了解详情

点亮星标

科技前沿进展每日见