论文
PAR²-RAG：面向多跳问答的规划式主动检索与推理
PAR$^2$-RAG: Planned Active Retrieval and Reasoning for Multi-Hop Question Answering
摘要
大语言模型（LLM）在多跳问答（MHQA）上依然脆弱，这类问题需要通过检索与推理组合跨文档的证据来作答。迭代式检索系统可能因锁定早期低召回率的轨迹而放大下游错误，而纯规划式方法可能生成静态查询集，无法在中间证据发生变化时进行调整。我们提出规划式主动检索与推理 RAG（PAR²-RAG），一个将“覆盖”与“承诺”相分离的两阶段框架。PAR²-RAG 先通过广度优先锚定构建高召回率的证据边界，随后在迭代循环中执行带证据充分性控制的深度优先精炼。在四个 MHQA 基准上，PAR²-RAG 持续优于现有最先进基线；与 IRCoT 相比，PAR²-RAG 的准确率最高提升 23.5%，检索的 NDCG 最高提升 10.5%。
