状态证据驱动的检索增强生成与迭代推理

检索增强生成 (RAG) 将 大语言模型 (LLM) 置于外部知识中，但经常受到平坦上下文表示和无状态检索的影响，导致性能不稳定。我们提出了带有迭代推理的状态证据驱动 RAG，这是一个将问题回答建模为渐进证据积累过程的框架。检索到的文档被转换为具有明确相关性和置信度信号的结构化推理单元，并保存在捕获支持性和非支持性信息的持久证据池中。该框架执行证据驱动的缺陷分析，以识别差距和冲突，并迭代地细化查询以指导后续检索。这种迭代推理过程可以实现稳定的证据聚合并提高对噪声检索的鲁棒性。多个问答基准的实验表明，与标准 RAG 和多步基准相比，得到了一致的改进，同时有效地积累了高质量的证据，并在大量检索噪声下保持了稳定的性能。