小红书精读：TC-RAG:Turing-Complete RAG’s Case study on Medical LLM Systems

检索何时该停？一个图灵完备的RAG

各位算法同学们，RAG不是检索越多越好，现有方案普遍缺一个“状态变量”，导致检索停不下来、无关噪声越滚越多。TC-RAG直接把RAG做成图灵完备系统，用记忆栈主动控制检索，医疗场景准确率提升超过7.20%。

📄 TC-RAG: Turing-Complete RAG’s Case study on Medical LLM Systems

🔧 创新之一是引入系统状态变量，把RAG建模成白盒图灵机，理论上证明检索可以“受控停机”，避免无限检索和状态发散。 🧩 创新之二是设计记忆栈，用Push/Pop、回溯和摘要操作动态管理已检索知识，模型能根据自己已经知道多少决定要不要继续搜。 ⚙️ 创新之三是自研医疗域LLM和规划机制，让系统像医生一样先评估再动手，配合栈操作及时弹出错误信息，防止错误知识累积。

📊 在七个真实医疗和通用问答数据集上，TC-RAG比现有RAG方法准确率提升超过7.20%。 ✅ 和自适应RAG、DRAGIN等相比，TC-RAG有显式停机信号，收敛行为更可控。 📈 已开源中文医疗预训练数据集和知识图谱，代码仓库见论文，方便复现细节。

总结：这套思路对做医疗问答和RAG智能体的算法同学有直接参考价值，核心要看它“状态变量”怎么算、栈操作怎么和LLM推理耦合。落地坑在于依赖白盒模型状态，闭源API场景下没法直接抄，且栈机制会增加额外推理开销，上生产前要卡好延迟预算。

原文：AlphaXiv