引言：让计算机做决策？#
近年来，我们经常听到 “人工智能” 这个词，特别是当我们谈论像聊天机器人或自动翻译工具时。但你有没有想过，计算机能否像人类一样做出复杂的决策？比如，公司该在哪个城市建新工厂，或商家应该如何调整库存来节省成本。这些问题通常需要我们分析大量数据，并根据具体情况做出决定。
今天，许多大语言模型（LLM）已经非常擅长回答问题，比如问它们天气怎么样，或者帮忙总结一篇文章的要点。但当面对需要深度思考和多步骤决策的问题时，它们就力不从心了。大部分情况下，它们只能根据查询到的信息直接给出答案，无法像人类那样 “思考” 接下来的分析步骤。这就是我们今天要聊的 PlanRAG 技术，它的设计目标是帮助这些模型不仅能回答问题，还能像一个聪明的决策者那样一步步进行数据分析。
PlanRAG 的创新在于，它不仅依靠语言模型来检索和回答问题，还让模型学会在回答问题之前先做 “计划”，就像我们做决定前需要思考 “我接下来该查什么数据” 一样。这种先计划、再检索的思维方式，使得模型在面对复杂决策问题时能更好地应对。
接下来，我们会深入探讨 PlanRAG 是如何工作的，以及它能为我们带来哪些实际应用。
什么是 PlanRAG？#
想象一下，你要解决一个复杂的问题，比如决定如何规划一家工厂的生产流程。你不会盲目地开始操作，而是先计划步骤，明确需要哪些信息，接着再去搜集数据，最后根据分析结果做出决策。PlanRAG 就是这样一套类似的系统，不过它应用在大语言模型（LLM）上，让它们能在解决复杂问题时 “先计划，再执行”。
通常，大语言模型通过一种叫做 “检索增强生成（RAG）” 的技术工作，直接从外部获取相关数据，然后生成答案。然而，PlanRAG 比传统方法更进一步：它不仅仅是简单地检索和生成，而是先让模型为整个问题制定一个初步的计划，明确需要哪些信息和步骤，然后再根据计划提出问题并获取数据。如果获取的数据不足以解答问题，模型会重新调整计划，继续查询数据，直到能做出决策。
举个例子，想象在一个模拟商业环境的游戏中，你扮演一个商人，需要决定在哪个城市设置一个商贸点来最大化你的利润。PlanRAG 的第一步是为这个问题创建一个计划，比如确定要从哪些贸易节点获取数据，然后生成查询来收集这些节点的利润数据。接着，模型会根据这些数据来分析哪个节点最有利，并做出最后的选择。
PlanRAG 的特别之处在于，它不仅仅是检索数据，它会反复思考、调整策略，直到找到最佳方案。这种规划与检索相结合的方法，大大提升了模型在复杂决策中的表现。
关键问题：决策问答（Decision QA）#
在很多实际场景中，决策并不总是简单的。无论是企业管理、物流规划，还是日常生活中的复杂选择，通常需要大量数据分析才能找到最优的解决方案。决策问答（Decision QA）就是 PlanRAG 论文中提出的概念，专门解决这种复杂的决策问题。
举个例子，想象一下你在玩一个模拟经营的游戏，比如《维多利亚 3》或《欧陆风云 4》。在游戏里，你需要做出一些重要的决策，比如应该把商人派往哪个城市，以此增加贸易利润，或者如何在工厂里最合理地分配资源，降低成本。要做出这些决策，你需要先了解各种数据，比如每个城市的经济发展状况、贸易流量，甚至是其他国家的影响。
决策问答正是用来帮助解决这类问题的。模型不仅要回答像 “我该把商人派到哪里？” 这样的简单问题，还需要考虑背后的数据和规则，比如各个城市的经济状况、相邻国家的影响等。这和一般的问答系统不一样，普通的系统只是基于问题检索答案，而决策问答需要模型进行深度思考和数据分析，才能做出最优决策。
决策问答的难度在于它不仅仅是一个简单的选择题，而是一个需要深入理解数据、规则、背景信息的复杂决策过程。PlanRAG 通过规划、检索和迭代调整，帮助模型在这些复杂场景中做出更好的选择。
PlanRAG 的核心步骤#
PlanRAG 之所以独特，是因为它让大语言模型不仅仅依赖于简单的数据查询，而是通过一步步的规划和迭代，解决复杂的决策问题。整个过程可以分为三个关键步骤：规划、数据检索、和重新规划。
1. 规划：模型如何生成一个计划#
当我们面对一个复杂问题时，通常要先弄清楚需要什么信息来做出决定。PlanRAG 的模型也是这样，它会先根据问题生成一个计划，这个计划列出哪些数据需要被检索。这一步很像你在购物前列购物清单 —— 你不会直接去超市，而是先考虑自己需要买什么。
举个例子，如果一个模型需要帮助一家公司决定在哪个市场扩展，它可能会计划先查询各个市场的竞争情况和潜在利润。
2. 数据检索：根据计划提问并获取数据#
有了明确的计划，模型接下来会根据这个计划向数据库提问，检索出相关的数据。这就好比你带着购物清单去超市，找到你需要的物品。在这个过程中，模型会生成相应的查询，获取能够帮助它做决策的信息。
比如在决策商人放在哪里最能赚钱的例子中，模型会查找各个市场的交易流量和每个市场的潜在利润，看看把商人放在哪个位置收益最大。
3. 重新规划：分析后进一步调整计划#
有时候，最初的计划并不完美，检索到的数据可能无法完全解决问题。在这种情况下，PlanRAG 模型会停下来，重新审视已经获取的数据，并决定是否需要调整计划。这就像你发现购物清单上忘了写某个必需品，于是回头再添加并继续找。
这个重新规划的过程非常重要，因为它确保模型在面对复杂问题时，可以灵活地调整自己的分析方式，直到找到最优的解决方案。
与其他方法的对比：为什么 PlanRAG 更胜一筹？#
为了理解 PlanRAG 的优势，我们可以先看看它是如何不同于其他常见方法的。以往的方法，比如迭代检索增强生成（Iterative RAG），主要依赖于模型一次又一次地检索信息，然后基于这些检索结果生成答案。这种方法在处理简单的知识问答问题时非常有效，因为它专注于找到与问题直接相关的信息。
但问题来了，面对更复杂的决策场景，比如根据多种数据点做出一系列分析和判断时，传统方法往往力不从心。Iterative RAG 并不擅长处理需要多个步骤、涉及计划和数据推理的任务。例如，在游戏场景中选择最佳的贸易节点时，模型不仅要找到与节点相关的所有信息，还需要综合分析这些信息来做出正确的决策。而现有方法在这个过程中，容易只找到单个信息片段，却忽略了对整体的分析和规划。
PlanRAG 的突破点在于它首先要求模型 “先做计划”。模型会先规划出需要检索哪些数据，如何分析这些数据，这样可以避免模型胡乱地搜索信息。再通过反复的计划、检索、调整，模型能逐步完善自己的决策过程。这意味着 PlanRAG 更有条理，也更有效率，尤其是在那些需要深入理解多个数据片段的复杂任务中。
通过实验，PlanRAG 在 “决策问答” 中的表现比 Iterative RAG 有了显著提升。在 “定位” 场景中，PlanRAG 提升了 15.8% 的准确率，而在 “建造” 场景中也提高了 7.4%。这些数字展示了它在复杂任务中的优越性。具体来说，PlanRAG 不仅能够找到关键数据，还能合理规划整个决策过程，从而大幅提高决策的准确性。
简单来说，PlanRAG 像一个更细致的决策者，它不仅会问问题，还会思考自己该问哪些问题，并根据回答不断修正方向，这使得它在复杂的决策场景中表现更好。