使用 DeepRAG

在 Automation Suite 中使用 DeepRAG for 私有 Test Cloud，包括所需设置和验证指南。

DeepRAG（深度研究增强生成）是一个上下文基础和综合层，使智能体能够分析和关联多个文档中的信息，生成有引文支持的企业级答案。您可以使用它来构建大规模执行深度研究、调查分析和基于证据的推理的智能体。要了解有关智能体的更多信息，请参阅 《智能体用户指南》 。

DeepRAG 分三个运行阶段：

1. 规划 – 分析您的问题，识别子任务并定义研究范围。
2. 迭代研究循环 – 查询索引数据，提取相关证据并整合发现结果。
3. 综合 – 将所有证据整合为一个有凝聚力、有引文支持的回应。

每个结果都包含对原始来源的可追踪引用，确保整个企业数据后端的可审核性和合规性。

关键功能

以下是 DeepRAG 的关键功能：

• 多文档合成 – 在单个查询中综合多达 1,000 页的信息。
• 有引文支持的答案 – 包括每个关键发现的文档名称、页码和时间戳。
• 智能体推理 – 在执行过程中制定计划、研究和调整，而不仅仅是检索结果。
• 企业级 – 通过单个索引处理来自多个来源的结构化和非结构化数据。
• 可追踪性和合规性 – 维护综合中使用的来源的完整审核跟踪。

何时使用 DeepRAG

当您的智能体需要执行以下操作时，请使用 DeepRAG：

• 请分析多个文档以回答复杂问题。
• 生成不同数据集的全面摘要。
• 通过高保真引文验证发现结果。
• 进行需要可追踪性的监管、医学或法律研究。

使用语义搜索进行快速事实查找，使用DeepRAG跨文档集进行详细分析或综合。有关在智能体中使用上下文的详细信息，请参阅 《智能体用户指南》 。

表 1.DeepRAG 与其他方法

功能	语义搜索	DeepRAG
用途	查找相关数据块	整合多个文档
文档限制	无限制	1,000 页
正在处理	即时	分
输出	代码片段	综合综合
成本	低	中
引文	基本	详细说明

配置 DeepRAG

在使用 DeepRAG 之前，请确保满足以下先决条件：

• 您的数据以正确的文件格式存储：原生 PDF 或 TXT 文件，每个文件最大为 512 MB。
• 您可以拥有用于提取和执行查询的 AI Unit。有关详细信息，请参阅上下文基础许可。

接下来，完成以下操作:

步骤 1 – 准备文档

1. 使用组织良好的文件夹且命名约定清晰。

2. 包括文档元数据和页码。

3. 避免重复，并确保扫描后的文件已应用 OCR。

   备注：

   为了获得更高的准确性，请使用原生 PDF 并按类别或标识符构建文档。

   步骤 2 – 创建索引

   在 Agent Builder 中：

4. 选择“上下文”节点，然后选择“新建” 。以下是索引配置的示例：

   1. 名称中将包含：“医疗记录 2025”
   2. 说明：供审核的汇总患者记录
   3. 提取模式： “高级”。

5. 上传文档并等待提取完成。

   • 提取成本：0.2 AIU * 页数。例如，1,000 页 = 200 个 AIU。

步骤 3 – 配置智能体

配置您的智能体。以下是一个示例：

• 智能体名称– 医疗记录摘要生成程序
• 说明– 分析包含完整引文的患者医疗记录
• 上下文– 配置上下文。例如：
  • 索引：医疗_记录_2025；
  • 搜索策略：DeepRAG
  • 搜索策略提示词 – 编写有效的提示词，例如：“分析所有医疗记录并提供全面的摘要，包括：诊断和治疗、病史、药物、实验室结果。”
• 指定输出格式– 例如：“含引文的结构化摘要”。始终在提示中包含详细的输出格式说明和冲突处理说明。
  备注：

  如果 DeepRAG 生成的摘要超过输出大小限制，请从外部检索完整的摘要。请将（来自追踪记录）的 DeepRAG ID与上下文基础摘要 – DeepRAG GenAI 活动结合使用，在智能体运行之外获取完整的综合输出。这使您可以访问完整的响应而不会被截断。

为 DeepRAG 编写有效的提示词

DeepRAG 会自动生成经过验证的引文，指向源文档中找到支持性证据的确切页面。您无需请求引文或指定引文格式，这在默认情况下会发生。实际上，添加引文或格式化说明可能会干扰结果，因此应加以避免。

为了获得可靠、高质量的输出，您的提示词应重点突出角色清晰度、任务特殊性和具体要求。

使用以下模式：

角色：您是审核 [文档类型] 的[领域专家]。

任务：分析所有文档和[特定目标]。

要求：

1. [要求 1]
2. [要求 2]
3. [要求 3]

输出格式：[结构化输出格式]

合适提示词示例：您是一位医疗专业人员，正在审核患者的记录。创建全面的摘要，包括诊断、历史记录、药物治疗和实验室结果。

效果较差的提示词示例：总结患者的记录。

良好示例明确定义了角色，设置了特定任务，并概述了具体要求，从而允许 DeepRAG 有效地检索和依据其响应，同时在后台自动处理引用。

优化 DeepRAG 性能

使用以下信息来优化上下文的性能：

场景	通常持续时间	优化提示
小于 200 页	少于 10 分钟	使用针对性强的问题和原生 PDF。
500–800 页	20 分钟内	拆分大文件并优化提示范围。
1,000 页	少于 30 分钟	删除重复项

成本模型

• 提取 = 0.2 AIU * 页数
• DeepRAG 查询 = 每 30,00 个令牌 0.20 个 AIU（每 500 个页面 0.2–0.4 个 AIU）

故障排除

问题	原因	解决方案
没有可用于 DeepRAG 的有效文件	文件格式错误或选择的基本提取模式错误	仅使用 PDF/TXT
超时（60 分钟）	语料库太大或提示词太复杂	拆分文档；简化查询。
缺少引文	弱提示或非结构化来源	验证 PDF 的编号是否一致。
低质量的摘要	提示词为通用信息或文档质量不佳	提高提示的针对性；整洁的文档层次结构。

DeepRAG 用例

以下示例显示了按行业分组的 DeepRAG 的业务场景。每个示例都列出了要索引的文档以及适应您自己的数据的示例提示词。有关提示词结构的指导，请参阅为 DeepRAG 编写有效的提示词。

医疗保健和医疗

医疗记录摘要

• 输入文档：就诊的 200–400 页患者档案，包括日常信息
• 提示示例：“生成一份摘要，其中包含简要的患者个人资料、主病状、家庭治疗情况和用量。”提供住院的每一天的每日摘要、患者情况概述、生命体征、实验室结果、X 线透视检查和所用药方。

保险事先授权审核

• 输入文档：患者病历、保险单文档、临床指南、提供者说明和实验室结果
• 提示示例：“根据策略条件分析授权请求。”总结：医疗必要性理由、承保范围确定、适用的保单条款、支持治疗的临床证据，以及批准所需的任何缺失文档。”

法律与合规性

合同比较分析

• 输入文档：供应商合同、主服务协议、修订、工作说明 (SOW) 和定价表
• 提示示例：“比较所有合同，并确定：关键条款变化、责任条款、终止条件、定价结构、SLA 承诺和知识产权条款。突出显示文档之间的冲突术语，并推荐标准化机会。”

兼并和收购尽职调查

• 输入文档：财务报表、法律协议、知识产权 (IP) 组合、员工合同、索赔历史记录和客户合同
• 提示示例：“合成尽职调查结果，涵盖：重大风险、合同义务、IP 资产/负债、索赔风险、员工保留风险和客户集中度。”标记交易破坏者，并尽可能量化财务影响。”

监管与合规性审核

• 输入文档：审核报告、监管申报和标准操作程序 (SOP)
• 提示示例：“审核所有监管申报文件，并总结合规状态，识别不合规之处。”

金融服务

贷款申请评估

• 输入文档：信用报告、银行对账单、纳税申报表、就业证明、财产评估和现有债务
• 提示示例：“生成全面的信用评估，包括：债务收入比率、还款历史分析、抵押品评估、风险评分计算和贷款建议，并为每个因素提供支持证据。”

投资研究综合

• 输入文档：分析师报告、收益副本、证券交易委员会 (SEC) 文件、行业报告、竞争对手分析和新闻文章
• 提示示例：“撰写投资论文，涵盖：财务绩效趋势、竞争定位、增长推动因素、风险因素、评估指标和分析师共识。”包括看多/看空的情况。

授信协议分析

• 输入文档：信用协议
• 提示示例：“分析所有信用协议并提取财务条款、条款和条件。”

制造和运营

质量事件根本原因分析

• 输入文档：质量报告、生产日志、设备维护记录、供应商证书、检查数据和客户投诉
• 提示示例：“追踪质量问题找到根本原因。”记录：缺陷模式、时间线相关性、设备/供应商的参与、影响评估、采取的纠正措施以及所需的预防措施。将结果链接到特定批次号和生产运行。

房地产和建筑业

资产组合分析

• 输入文档：租赁协议、财产评估、维护记录、租户通信、市场可比文件和分区文档
• 提示示例：“综合组合项目绩效，包括：占用趋势、租户收入分析、维护成本模式、租户满意度问题、市场定位和整改优先级。”使用支持文档按属性计算投资回报率。

人力资源

员工绩效审核合成

• 输入文档：绩效评估、360 度反馈、项目成果、培训记录、目标达成情况和同行反馈
• 提示示例：“创建全面的绩效评估，涵盖：优势/发展领域、模式分析、目标达成率、技能提升、反馈主题和职业道路建议。使用具体示例和指标来支持结论。”

研究与开发

专有态势分析

• 输入文档：专 利申请、现有技术检索、竞争对手专 利、技术规范和许可协议
• 提示示例：“绘制包括空白机会、侵权风险、许可可能性、竞争对手策略和归档建议的知识产权总体情况。”按技术领域和商业相关性对专有进行分类。