[arXiv 2026] 从 RAG 到 Agentic RAG：构建忠实可靠的伊斯兰问答系统

TL;DR

在涉及宗教教义等高度严肃的领域，LLM 的“一本正经胡说八道”可能带来严重的社会后果。来自卡塔尔计算研究所（QCRI）等机构的研究者提出了 ISLAMICFAITHQA 基准，并证明了相比于传统的单次 RAG，一种基于智能体决策的 Agentic RAG 框架能通过多轮证据搜索与验证，将模型的事实准确性提升 10% 以上，并显著增强跨语言的鲁棒性。

核心痛点：宗教领域的“幻觉”代价

在伊斯兰教问答中，答案往往涉及法律推理（Fiqh）、教派规范（Madhahib）等。现有模型面临三大难题：

1. 盲目自信：即使证据不足，模型也会强行生成答案。
2. 评估失效：选择题（MCQ）式的测试容易被“猜对”，无法衡量模型是否真正理解背景。
3. 双语失衡：虽然伊斯兰经典主要是阿拉伯语，但全球英语用户的问答需求同样巨大，多数模型无法兼顾。

架构解析：为什么 Agentic RAG 更强？

传统 RAG（检索增强生成）更像是一个“静态插件”：用户提问 -> 检索 Top-K 经文 -> 生成答案。这种方式在面对复杂问题（如继承法、多步法律逻辑）时，往往会因为第一次检索不够精准而导致失败。

本文提出的 Agentic RAG 将检索变成了一个循环决策过程：

• 规划与调用：模型不再是一次性读取，而是决定调用哪些工具（如 search_quran 语义搜索、read_ayah 精准阅读）。
• 迭代修正：如果初次获取的证据不足以支撑结论，智能体会调整查询语句，直到收集到足够经文。
• 强制引用：答案必须绑定具体的古兰经（Qur'an）节数。

图 1：从数据提取、SFT 到 Agentic RAG 推理的完整开发流程。

定制化对齐：SFT + RL 数据集

除了架构创新，作者还发布了一套总价值极高的伊斯兰本域资源：

• SFT Reasoning (25K)：不只是问答，而是带有“推理路径”的微调数据。
• RL Preference (5K)：利用 GSPO (Group Sequence Policy Optimization) 算法，训练奖励模型识别出哪些回答是事实准确的，哪些是带有幻觉的。
• Qur'an RAG Index：将古兰经精细切分为 6,236 个原子级 Ayat（节），支持更精准的召回。

实验战绩：小模型也能逆袭

研究团队评估了包括 Llama-3.1, Qwen3, Fanar 在内的数十个模型。结果令人振奋：

• 检索是基石：几乎所有模型在加入 RAG 后，正确率都翻倍增长。
• Agentic 的威力：在 Qwen3-4B 上，Agentic RAG 比标准 RAG 额外提升了 10.05 个百分点，让 4B 小模型在 Arabic-English 双语上的表现趋于平衡，甚至超越了体积更大的基座模型。
• SOTA 表现：Fanar-2-27B + Agentic RAG 在极其严格的 LLM-as-a-Judge 评分下达到了 57.30% 的最高均分。

表 1：不同模型配置在 ISLAMICFAITHQA 上的表现统计。

深度洞察：垂直领域的未来

1. 弃答（Abstention）与信任：本文通过严格的 Correct/Incorrect/Not_Attempted 三分类评估，逼迫模型在证据不足时选择“我不知道”，这对于建立宗教助手的社会公信力至关重要。
2. 工具调用的必然性：单纯的“增加模型参数”或“增加长文本能力”在处理极高精度任务时回报递减。Agentic RAG 提供了一个更具成本效益的途径——增强模型的“搜索习惯”和“查证逻辑”。

局限性与挑战

尽管表现优异，Agentic RAG 仍面临推理延迟和“引用洗白”（Citation Laundering，即生成看似权威但与内容不符的引用）的风险。未来的研究需要进一步引入更广泛的圣训（Hadith）语料库以及不同法学流派的分歧处理。

总结

这项工作不仅填补了伊斯兰 AI 评估的空白，更提供了一种通用的思路：当面对涉及真理和正义的垂直领域时，我们需要让模型学会“三思而后行”，而 Agentic RAG 正是这种查证逻辑的最佳承载者。