[CVPR 2026 预研] 从 RAG 到 Agentic RAG：打造“不说谎”的伊斯兰教 AI 助手

TL;DR

在涉及宗教、法律等高严肃性领域，AI 的一个“微小幻觉”可能导致严重的社会后果。本文通过推出 ISLAMICFAITHQA 双语基准和一套 Agentic RAG（智能体化 RAG） 流程，成功将模型在复杂伊斯兰知识问答中的准确率提升了近一倍，并利用工具化检索流程极大地抑制了幻觉生成。

1. 痛点：为什么当前的 RAG 搞不定“严肃知识”？

在伊斯兰教义问答中，用户的问题往往不是简单的“事实检索”，而是涉及复杂的法理推导（Fiqh）。

现有方法的局限性：

• 由于过度对齐导致的“即便不知道也硬说”：通用 LLM 的安全对齐往往让其在面对未知信息时倾向于提供一个“圆滑但虚假”的答案。
• MCQ 评估的陷阱：多选题（MCQ）掩盖了模型的真实水平，模型可能只是通过排除法选对了，而没有真正的逻辑支持。
• 跨语言知识鸿沟：同一个模型在英语下可能表现尚可，但在阿拉伯语（教义原始语言）下却可能因为检索质量波动而出现逻辑崩塌。

图1：传统的伊斯兰问答流程（a） vs 作者提出的基于智能体化证据搜寻的流程（b, c）

2. 核心架构：Agentic RAG 的直觉

作者认为，针对高精度知识，检索不应该是生成前的“一锤子买卖”。

所谓的 Agentic RAG，本质是将模型变成了一个带有“搜索引擎访问权限”的研究员：

1. 计划（Plan）：模型先思考需要哪些证据。
2. 搜寻（Search）：调用 search_quran 或 read_ayah（阅读特定诗篇）工具。
3. 内省（Verify）：检查检索到的证据是否能完全回答问题。如果不能，则调整关键词再次搜索。
4. 最终回答：只有在证据充足时，才生成带引述（Citation）的回答；否则选择拒绝回答（Abstain）。

图2：模型的端到端开发与评估流，重点在于推理阶段的 Agentic RAG 环境

3. 实验战绩：小模型也能逆袭

实验结果非常令人惊喜，尤其是 Agentic RAG 的“杠杆效应”。

• 显着的性能提升：在 Qwen3-4B 模型上，仅使用普通 RAG 时准确率为 38.85%，引入 Agentic RAG 后飙升至 48.90%。这意味着多轮工具调用带来的逻辑闭环对性能贡献巨大。
• 跨语言稳定性：Agentic RAG 极大地缩小了阿、英双语之间的性能差距（见下表数据）。因为无论输入什么语言，模型都被强迫去对齐同一套底层的阿拉伯语《古兰经》原子诗篇（Ayat）。
• SOTA 表现：Fanar-2-27B 配合 Agentic RAG 达到了 57.30% 的均值，远超目前所有的开源和闭源基准模型。

表1：不同模型变体在 ISLAMICFAITHQA 上的表现统计

4. 深度洞察：为何“慢思考”很重要？

论文中的一个核心对比（图5）非常有解释力。对于有关“晨祷（Fajr）开始时间”的复杂问题：

• 普通 RAG：检索到了关键词，但模型在整合时发生了混淆，将“黎明”错误地等同于“日出”。
• Agentic RAG：模型通过调用工具深入查看了特定诗篇（2:187），并根据语境推导出了“真黎明（al-fajr al-sadiq）”的精确定义。

这种“慢思考（System 2）”的逻辑，确保了回答的严谨性。

5. 局限性与未来展望

尽管提升巨大，但作者也坦诚了目前的局限：

1. 信源范围：目前主要基于《古兰经》，对于圣训（Hadith）和各教法学派（Madhabs）的细微分歧还未完全覆盖。
2. 引述洗白（Citation Laundering）：存在模型为了使答案看起来可信而强行关联无关诗篇的风险。

总结：ISLAMICFAITHQA 的出现为严肃领域的 LLM 应用树立了新标杆。它告诉我们，要解决幻觉，不仅需要高质量的数据（SFT/RL），更需要给 AI 一套能够自我纠错、循环验证的任务执行系统。