传统 RAG 检索的依据是字面或语义相似度，但在复杂推理任务上这种"按字找参考"的方式经常失效：一个语义相近的题目可能需要完全不同的解法，而一道看似毫不相干的题反而共享同一套推理套路。Zilin Xiao 等人近期在 arXiv 公开的 RA-RFT（Retrieval-Augmented Reinforcement Fine-Tuning）框架，正是把检索标准从"表面相似"切到"推理收益"上的一次系统性尝试。 RA-RFT 的两阶段设计相当直接。第一阶段用 gold-relevance distillation 训练一个 retriever，让它按"这道例题能否带来可迁移的推理线索"来排序上下文，而不再是看 embedding 距离有多近。第二阶段把检索到的类比演示喂给策略模型，用 verifiable outcome rewards 做强化微调，让模型学会在"看起来不熟"的例子里挑出真正能复用的推理轨迹。 作者在 AIME 2025 等数学推理基准上做的对比相当硬：Qwen3-1.7B 配 RA-RFT 之后，average@32 比 GRPO 基线高 7.1 个点；Qwen3-4B 也稳涨 2.8 个点。更值得注意的是文中对检索多样性的分析：reasoning-aware 的检索天然会捞到解法互补的例题，给同一道题提供不同的"scaffold"，这正是传统相似度检索给不出来的。 这件事的启发在于，作者明确指出 reasoning-aware retrieval 与奖励设计、训练课程是正交的——也就是说，过去一年大家把力气花在 GRPO 变体、过程奖励、课程学习上，确实有效，但还有一个被严重低估的轴：给模型"看什么例子"。当 RL 后训练从数据驱动走向检索驱动，我们离"小模型也能继承大模型的解题直觉"又近了一步。