新智元報道

編輯：LRST

【新智元導(dǎo)讀】DeepRead讓AI像人一樣閱讀文檔：利用OCR識別章節(jié)結(jié)構(gòu)，先精準(zhǔn)定位相關(guān)段落，再完整讀取上下文，避免碎片化檢索。實驗顯示，其長文檔問答準(zhǔn)確率提升17%，能自動跳過冗余信息，精準(zhǔn)提取財報、論文等復(fù)雜內(nèi)容，無需額外知識圖譜，輕量高效。

大語言模型的工具使用能力正推動RAG從靜態(tài)的一次性檢索，向自主、多輪的證據(jù)獲取進(jìn)化，Agentic RAG已成為解決復(fù)雜問答任務(wù)的核心方向。

但現(xiàn)有主流Agentic Search框架普遍存在一個關(guān)鍵痛點——結(jié)構(gòu)盲：它們將長文檔視為無差別的扁平文本塊，忽略了文檔原生的層級組織（如章節(jié)、段落）和順序邏輯，導(dǎo)致檢索碎片化、證據(jù)遺漏、冗余操作等問題頻發(fā)。

比如說，人類查詢「ACL論文投稿要求」時，會先翻閱目錄找到「投稿指南」章節(jié)，再逐段精讀關(guān)鍵信息。

但傳統(tǒng)Agentic Search（如Search-o1）卻只能通過不斷給出新的query反復(fù)檢索，可能遺漏「頁碼限制」「格式要求」等未被關(guān)鍵詞覆蓋的內(nèi)容，還會重復(fù)獲取已瀏覽過的片段。

這種「結(jié)構(gòu)盲」帶來三大問題：

1. 證據(jù)碎片化：將文檔拆分為固定大小的文本塊，破壞語義連貫性，迫使智能體拼接零散片段；

2. 檢索冗余：缺乏全局結(jié)構(gòu)認(rèn)知，反復(fù)檢索同類信息，浪費計算資源；

3. 信息遺漏：依賴關(guān)鍵詞匹配，無法捕獲章節(jié)內(nèi)隱含的相關(guān)信息。

而現(xiàn)代OCR技術(shù)已能精準(zhǔn)提取文檔的層級結(jié)構(gòu)和閱讀順序，這為解決「結(jié)構(gòu)盲」提供了基礎(chǔ)——讓智能體學(xué)會利用這些原生結(jié)構(gòu)，而非忽視它們。

中國科學(xué)院計算技術(shù)研究所團(tuán)隊提出的DeepRead，核心創(chuàng)新是將文檔結(jié)構(gòu)轉(zhuǎn)化為智能體可理解、可操作的坐標(biāo)系統(tǒng)，通過兩大工具協(xié)同實現(xiàn)類人推理，整體框架參考下圖。

論文：https://arxiv.org/abs/2602.05014

代碼：https://github.com/Zhanli-Li/DeepRead

文檔結(jié)構(gòu)建模：給每個段落分配「坐標(biāo)」

DeepRead首先通過OCR工具將原始文檔轉(zhuǎn)化為結(jié)構(gòu)化Markdown格式，構(gòu)建雙維度結(jié)構(gòu)模型：

• 層級維度：區(qū)分標(biāo)題（如章節(jié)）和內(nèi)容段落，記錄標(biāo)題的父子關(guān)系（如「2.方法」包含「2.1模型設(shè)計」）；

• 順序維度：給每個段落分配唯一坐標(biāo)（doc_id, sec_id, para_idx），即「文檔ID-章節(jié)ID-段落索引」，讓每個文本片段都有明確的位置標(biāo)識。

同時，DeepRead會將輕量化的目錄（TOC）注入系統(tǒng)提示，讓智能體掌握全局結(jié)構(gòu)，無需加載全量文檔內(nèi)容，平衡上下文開銷與結(jié)構(gòu)感知能力。

兩大核心工具：Retrieve與ReadSection的協(xié)同

DeepRead為智能體配備兩個互補(bǔ)工具，模擬人類「快速定位+深度閱讀」的行為：

• Retrieve（掃描式定位）：接收語義查詢，返回Top-K相關(guān)段落及其坐標(biāo)，同時支持「掃描窗口」（在召回的段落加上前后各1段），模擬人類快速瀏覽上下文的行為；

• ReadSection（聚焦式閱讀）：接收坐標(biāo)范圍（如doc_id=1, sec_id=3, start_para=0, end_para=5），返回該范圍內(nèi)的連續(xù)、保序段落，重構(gòu)完整語義上下文，徹底解決碎片化問題。

兩者形成閉環(huán)：Retrieve負(fù)責(zé)「找方向」，快速鎖定相關(guān)章節(jié)；ReadSection負(fù)責(zé)「深挖掘」，獲取完整證據(jù)，避免關(guān)鍵詞檢索的局限性。

涌現(xiàn)行為：自主學(xué)會「定位再閱讀」

無需手動編碼規(guī)則或是特定指令，DeepRead可自主進(jìn)化出類人推理策略：先通過Retrieve獲取結(jié)構(gòu)錨點，再調(diào)用ReadSection精讀相關(guān)章節(jié)。實驗顯示，90%以上的查詢會遵循這一范式，且工具調(diào)用比例會自適應(yīng)任務(wù)特性——ContextBench（長文檔推理）更依賴ReadSection，F(xiàn)inanceBench（金融數(shù)據(jù)提取）更依賴Retrieve。

實驗結(jié)果

跨場景的顯著提升

研究人員在四大基準(zhǔn)數(shù)據(jù)集（涵蓋單文檔/合成多文檔數(shù)據(jù)集）上驗證了DeepRead的效果，核心結(jié)果參考下表

關(guān)鍵亮點包括：

1. 長文檔推理突破：在需長距離依賴的ContextBench上，DeepRead準(zhǔn)確率從74.5%提升至91.5%，提升幅度達(dá)17.0%，驗證了結(jié)構(gòu)感知對長文檔的價值；

2. 多文檔融合優(yōu)勢：在基于QASPER（學(xué)術(shù)論文問答）和SyllabusQA（課程大綱對比）合成的多文檔數(shù)據(jù)集上表現(xiàn)優(yōu)越，分別提升7.7%和13.8%，證明結(jié)構(gòu)感知能有效跨文檔整合證據(jù)；

3. 魯棒性驗證：通過DeepSeek-V3.2、GLM-4.7、Qwen3-235B三大獨立法官評估，結(jié)果一致率達(dá)88.58%，確保提升并非偶然。

值得注意的是，DeepRead的優(yōu)勢并非來自「更多的檢索片段」——即使Search-o1允許檢索更多文本塊，仍無法彌補(bǔ)結(jié)構(gòu)缺失的差距；而盲目擴(kuò)展上下文（expand）可能會降低DeepRead在部分任務(wù)上的性能，因為結(jié)構(gòu)化閱讀已能提供足夠連貫的證據(jù)，冗余文本只會引入噪聲。

案例直觀感受：從「關(guān)鍵詞拼湊」到「章節(jié)精讀」

以FinanceBench中的亞馬遜營收計算任務(wù)為例：

• 傳統(tǒng)Search-o1風(fēng)格的Agentic Search需反復(fù)檢索「2016營收」「2017凈銷售額」等關(guān)鍵詞，可能混淆「預(yù)估數(shù)據(jù)」與「實際財報數(shù)據(jù)」；

• DeepRead則先通過Retrieve定位到「合并利潤表」章節(jié)，再用ReadSection讀取完整表格，精準(zhǔn)提取2016年135987百萬美元、2017年177866百萬美元的凈銷售額，計算出30.8%的同比增長率。

總結(jié)

DeepRead的核心價值在于：挖掘文檔原生結(jié)構(gòu)先驗，用輕量坐標(biāo)系統(tǒng)和協(xié)同工具，實現(xiàn)了Agentic RAG的結(jié)構(gòu)感知升級。

相比構(gòu)建復(fù)雜知識圖譜的方案，DeepRead無需額外結(jié)構(gòu)化成本，僅通過OCR解析和工具設(shè)計，就在長文檔、多文檔任務(wù)上實現(xiàn)顯著提升，兼具實用性和效率。

參考資料：

https://arxiv.org/abs/2602.05014