Entropic Claim Resolution：面向RAG的不确定性驱动证据选择

当前的检索增强生成（RAG）系统主要依赖基于相关性的稠密检索，通过顺序获取文档来最大化与查询的语义相似度。然而，在以证据冲突或根本性查询歧义为特征的知识密集型真实场景中，仅凭相关性不足以消解认知层面的不确定性。我们提出 Entropic Claim Resolution（ECR），一种新颖的推理时算法，将 RAG 推理重构为在相互竞争的语义答案假设上进行熵最小化。与动作驱动的智能体框架（如 ReAct）或固定流水线式 RAG 架构不同，ECR 通过最大化期望熵减（Expected Entropy Reduction，EER）——一种衡量信息价值的决策论判据——来顺序选择原子证据主张。当系统达到数学上定义的认知充分状态（H <= epsilon，并受认知一致性约束）时，该过程动态终止。我们将 ECR 集成到生产级多策略检索流水线（CSGR++）中，并分析其理论性质。我们的框架为不确定性感知的证据选择提供了严格基础，将范式从“检索最相关的内容”转向“检索最具区分力的内容”。