在刚刚闭幕的 ACM Web Conference 2026（WWW 2026）线上闭幕式上，最佳论文奖揭晓，唯一的最佳长文奖授予了一篇看似非常“垂直”的医学问答论文。这篇论文凭借其提出的 MedRGAG 框架，在面向 Web、搜索、数据挖掘与人工智能的通用舞台上脱颖而出，引发了广泛关注。该工作由中国人民大学高瓴人工智能学院与腾讯天衍实验室合作完成，论文第一作者李磊为人大高瓴人工智能学院博士毕业生，通讯作者为人大高瓴人工智能学院周骁副教授与腾讯天衍实验室主任吴贤。论文的核心思路是“知识需求驱动”——不先问“检索还是生成”，而是先问“回答这个问题还缺什么知识”。
MedRGAG 框架通过“检索-补全-选择”的知识组织流程，成功融合了外部检索与内部参数知识，破解了医疗问答中“检索缺失与生成幻觉”的二元对立问题。在医学场景中，这一矛盾被放大到极致：检索少一条关键证据，模型可能无法排除干扰诊断；生成多一句不实背景知识，又可能把推理带向错误方向。传统上，给大模型补知识有两条主流路径：RAG（检索增强生成）让模型去外部世界查资料，GAG（生成增强生成）让模型调动参数里“记住”的知识。RAG 走“先查再答”，让答案更有据可依，也能压制幻觉，但一旦检索漏掉关键证据，阅读器就只能基于不完整材料作答。GAG 走“先生成再答”，生成内容天然贴题，但一旦生成背景本身不准，幻觉就会以“证据”的形式进入下游回答。过去也有工作尝试把检索文档和生成文档结合起来，但重点多放在如何融合两类材料、缓解知识冲突上。MedRGAG 进一步追问的是：这些材料是否真的覆盖了答案所需的知识？问题不只是“该信检索还是该信生成”，更是“回答这个问题到底需要哪些知识”。
MedRGAG 不再纠结检索和生成谁更可靠，而是从“回答一个问题需要哪些知识”出发，把检索、生成与选择组织成一种查漏补缺式知识增强。检索先提供外部知识，生成补全内部参数记忆，最终通过选择机制整合最相关的信息。这一框架不仅有效解决了医疗问答中检索缺失与生成幻觉的二元对立问题，还为通用大模型的知识组织提供了新思路。在医学场景里，这个问题会被放大到极致：检索少一条关键证据，模型可能无法排除干扰诊断；生成多一句不实背景知识，又可能把推理带向错误方向。也正因如此，医学 QA 成了检验大模型能否可靠组织知识的高压考场。这项研究的成功，标志着大模型在知识组织与融合方面迈出了重要一步，为未来在医疗、法律等高风险领域的应用奠定了坚实基础。雷峰网AI科技评论编辑专访了论文作者，发现其思路是“知识需求驱动”——不先问“检索还是生成”，而是先问“回答这个问题还缺什么知识”。这一创新性思考，有望推动大模型在更多垂直领域的可靠应用。
