BridgeRAG：用于多跳问答的 无需训练 桥条件检索

多跳检索不是单步相关性问题：后跳证据应根据检索到的桥接证据的效用进行排序，而不是仅根据与原始查询的相似性进行排序。我们提出了 BridgeRAG，一种 无需训练 的无图检索方法，用于在多跳问题上进行检索增强生成（RAG），该方法通过（问题、桥梁、候选）上的三方评分器 s(q,b,c) 来操作该视图。 BridgeRAG 将覆盖范围与评分分开：双实体 ANN 扩展扩大了第二跳候选池，而桥条件 LLM 法官则在没有任何离线图或命题索引的情况下识别竞争候选者之间的主动推理链。通过四个受控实验，我们表明这种调节信号是（i）选择性的：并行链查询上+2.55pp（p<0.001），而单链子类型上~0； (ii) 不可替代：用生成的 SVO 查询文本替换检索到的段落，将 R@5 减少了 2.1pp，甚至比 SVO 相似度最低的池段落表现更差； (iii) 可预测：cos(b,g2) 与每次查询增益相关（Spearman rho=0.104，p<0.001）； (iv) 机械上精确：桥梁调节会导致富有成效的重新排名（平行链上的翻转获胜率为 18.7%，而单链上为 0.6%），而不仅仅是更多的流失。结合轻量级覆盖扩展和百分位等级分数融合，BridgeRAG 在所有三个标准 MHQA 基准测试的匹配基准评估下实现了最佳发布的 无需训练 R@5，无需图形数据库或任何训练：MuSiQue 上为 0.8146（与 PropRAG 相比，+3.1pp，与 HippoRAG2 相比，+6.8pp），2WikiMultiHopQA 上为 0.9527（+1.2pp）与 PropRAG 相比），HotpotQA 上的 0.9875（与 PropRAG 相比+1.35pp）。