RAG系统出错别再傻乎乎地“重跑“了！Doctor-RAG教你精准定位、局部修复-平芜编程栈

研究背景

现在大家用LLM做复杂问答的时候，Agentic RAG（智能检索增强生成）已经成了主流方案。简单说就是让模型一边推理、一边检索、一边生成，像侦探破案一样一步步拼凑答案。但问题来了——推理链越长，出错的概率就越高。一旦某一步出了问题，整个答案就可能跑偏。

现有的"修复"方案普遍存在一个毛病：要么只分析错误但不动手修，要么干脆把整个推理过程从头再来一遍（rerun）。后者就好比你做一道数学题算错了最后一步，然后把整张草稿纸撕掉重新算——费时费力，还不一定比原来好。

这篇论文提出的Doctor-RAG（DR-RAG）就是要解决这个问题：出错之后，能不能像外科医生一样，精准定位病灶，只切除有问题的那一段，其余健康的部分保留下来？

论文的核心贡献有三点：第一，首次把Agentic RAG的失败处理正式建模为"诊断+局部修复"的系统级问题；第二，提出了一套基于证据覆盖率的错误分类体系，并能在轨迹层面定位最早的出错点；第三，设计了对应的局部修复算子，最大程度复用已验证的推理前缀，大幅降低修复成本。

核心方法

DR-RAG的整体流程分两大阶段：错误诊断与定位，以及工具条件化的局部修复。

第一阶段：诊断

给定一条失败的推理轨迹y={ρ(1),ρ(2),…,ρ(K),apred}y = \{\rho^{(1)}, \rho^{(2)}, \ldots, \rho^{(K)}, a_{\text{pred}}\}y={ρ(1),ρ(2),…,ρ(K),apred}，诊断模块的目标是输出一个结构化的诊断结果(c,k†)(c, k^\dagger)(c,k†)，其中ccc是错误类型，k†k^\daggerk†是最早出错的动作位置。

诊断的第一步是判断证据覆盖率Cov(y)∈{0,1}\text{Cov}(y) \in \{0, 1\}Cov(y)∈{0,1}：已检索到的文档够不够回答这个问题？这个信号非常关键，它直接决定了后续能出什么错。

如果Cov(y)=1\text{Cov}(y) = 1Cov(y)=1（证据充分），说明检索没问题，错误只可能出在推理逻辑或者答案格式上；
如果Cov(y)<1\text{Cov}(y) < 1Cov(y)<1（证据不足），除了格式错误，还可能是检索器本身不行，或者推理走偏导致搜索方向错了。

在确定错误类型之后，系统进一步定位最早出错的动作索引：

k†=min⁡{k∣ρ(k) 被判定为错误}k^\dagger = \min\{k \mid \rho^{(k)} \text{ 被判定为错误}\}k†=min{k∣ρ(k)被判定为错误}

k†k^\daggerk†之前的所有步骤都被视为"健康前缀"，可以复用；k†k^\daggerk†之后的部分丢弃重来。

第二阶段：局部修复

根据诊断结果，系统选择对应的修复算子f=S(c)f = \mathcal{S}(c)f=S(c)，不同错误类型对应不同的处理策略：

格式错误：推理和检索都没问题，只需要重新生成最终答案，格式改对就行；
推理逻辑错误（证据充分时）：把轨迹截断到k†k^\daggerk†，保留前缀，把已检索的所有文档聚合起来，让模型重新推理：
D(y)=⋃ρ∈D(y)ρD(y) = \bigcup_{\rho \in \mathcal{D}(y)} \rhoD(y)=ρ∈D(y)⋃ρ
不触发任何新检索，只修推理；
检索器失效：查询本身没问题但检索没找到，对k†k^\daggerk†之前的查询做改写，同时扩大检索的top-k，再重新生成答案；
推理导致检索跑偏：这是最复杂的情况，需要从截断点重新规划整个解题路径，推理和检索都重做，但前缀仍然保留。

这套设计的精髓就是：精准到哪里坏了，就只修哪里，已经验证正确的步骤一律复用。

实验效果

论文在HotpotQA、2Wiki、MuSiQue三个多跳问答基准上进行了测试，使用了Qwen3-8B、Qwen3-4B、LLaMA-3.1-8B-Instruct三个不同的骨干模型，对比了直接重跑（Rerun）、逐步重试（Step-wise）、RAG-Critic三种基线修复策略。

结果相当明显。以Qwen3-8B + ReAct为例，DR-RAG在HotpotQA上的EM提升达到+25.8%，在2Wiki上+19.6%，在MuSiQue上+10.0%，同时token消耗比重跑策略降低了约35%。而RAG-Critic虽然修复率比重跑高一点，但token消耗反而是最多的——在某些设置下甚至是DR-RAG的3倍以上。

消融实验也验证了两个核心组件缺一不可：去掉错误分类（w/o Taxonomy），EM增益平均下降约3-4个点；去掉错误定位（w/o Localization），token消耗平均多出约1000个，因为没有精确定位就得重做更多步骤。

在诊断准确率方面，自动诊断模块在人工标注对比下的准确率稳定在60%左右，覆盖充分和不充分两种情况下表现接近。论文也做了oracle实验——假设诊断完全准确的情况下，修复率还能再提升约10-15个百分点，说明未来进一步提升诊断精度仍有很大空间。