研究痛点：复杂工程方案设计是人类生产活动中极为重要的任务，但现有的检索增强生成（RAG）技术在处理复杂工程方案设计任务时表现不佳，缺乏对多约束条件的全面考虑和可靠解决方案的生成能力。
创新突破：中科院&通义实验室提出了一个新的基准测试集SolutionBench，用于评估系统在多约束复杂工程问题上的解决方案生成能力。同时，提出并开源了一种基于树状探索和双点思维的新型系统SolutionRAG，通过灵活的方案改进过程和设计-审查交替机制，逐步提升方案的可靠性和完整性。
提出了复杂工程方案设计任务，并提出了一种新系统，该系统可以通过双点思维树生成可靠的解决方案。
应用价值：实验结果表明，SolutionRAG在SolutionBench上取得了最先进的性能，显著优于现有的深度思考模型（o1-2024-12-17、GLM-Zero-Preview、QwQ-32B-Preview）和传统RAG方法（Self-RAG、RQ-RAG、Rerank-RAG）。
例如，在采矿领域，SolutionRAG的技术得分比Naive-RAG提高了10.4分，比Self-RAG提高了8.9分。这表明SolutionRAG能够为复杂工程问题提供更完整、更可靠的解决方案，有望在实际应用中提升工程方案设计的自动化和可靠性。
SolutionRAG的示意图，在图中将每个节点的子节点数量设置为2，以便于展示。
SolutionRAG采用基于树的探索来寻找最优的解决方案改进过程，通过双点思维确保生成的解决方案满足所有约束条件，并利用剪枝机制来平衡效率和性能。
-
SolutionBench基准测试集：从多个工程领域的权威期刊中收集技术报告，通过模板化提取和人工验证构建高质量数据集，涵盖环境、采矿、交通等八大领域，包含数千个复杂工程问题和专家解决方案。
-
树状探索机制：SolutionRAG通过树状结构进行方案改进，每个分支代表一种改进方向，避免固定推理模式的局限性，动态探索最优改进路径。
-
双点思维机制：在树的生长过程中，交替进行方案设计和审查，通过设计-评论-改进的循环，逐步提升方案的完整性和可靠性，确保满足所有约束条件。
-
节点评估与剪枝：基于节点的可靠性评分和评论的有用性评分进行剪枝，保留最有潜力的方案和最有帮助的评论，平衡推理效率和性能。
用于计算分析分数和技术分数的Prompt，以标准解决方案、解释以及对应的分析知识和技术知识为参考，使GPT-4o能够评估系统解决方案是否充分考虑了复杂约束带来的挑战，并应用适当的技术来解决需求中的复杂约束。
https://arxiv.org/pdf/2502.20730DeepSolution: Boosting Complex Engineering Solution Design via Tree-based Exploration and Bi-point Thinkinghttps://github.com/Li-Z-Q/DeepSolution
（文：PaperAgent）
