# RAG 搜对了文档却答错？德国萨尔大学团队找到病根，ACL 2026 长文收录

> 原标题：RAG搜对了却答错？德国萨尔大学找到了真相丨ACL'26

- 来源：量子位 · 公众号
- 发布时间：2026-04-18T11:51:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/6538
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247884413&idx=3&sn=92ebd9e047716196e4960463fc494ba4

## 摘要

萨尔大学团队发现，很多 RAG 系统翻车不是因为没搜到资料，而是模型读不懂搜回来的文档。他们提出 Disco-RAG，在检索和生成之间加了一层“阅读理解”：先用修辞结构理论把文档拆成论证树，再建跨段落关系图，最后生成大纲来引导回答，全程不用额外训练。论文在 Loong、ASQA、SciNews 几个数据集上都有提升，但正文没给出具体分数，这点先别太激动。

## 推荐理由

这篇论文的卖点不是又刷了一个榜，而是把 RAG 的故障点拆开了：检索没问题，问题出在生成前的理解环节。我会先打个折，因为正文没完整披露三个基准上的具体分数，外部复现也还没看到，所以分数停在 80。但诊断结论本身对从业者有用，值得放进 featured。

## 锐评

萨尔大学这篇 ACL 2026 论文戳到了一个很实际的痛点：很多 RAG 系统答错，不是因为外挂资料库没召回对的东西，而是模型压根没理解搜回来的文档在说什么。他们提出的 Disco-RAG 在检索和生成之间塞了一个“阅读理解”环节，先用修辞结构理论把文档拆成论证树，再建跨段落关系图，最后生成大纲来引导回答，全程不用额外训练。思路挺巧，相当于给模型配了个帮你划重点、理逻辑的助教。

不过文章在 Loong、ASQA、SciNews 几个数据集上都说有提升，却没给出具体分数，这点让人不太放心。没数字就没法判断提升幅度到底多大，是碾压式进步还是小数点后两位的波动。另外，这套方法加了三个步骤，推理延迟和计算开销肯定要涨，正文也没披露这部分成本。

如果后续能补上完整实验数据和延迟对比，这个方向对做长文档问答、需要强证据引用的场景会很有参考价值。现在只能说想法好，但证据链还差一截。