S2G-RAG：迭代检索增强 QA 的结构化充分性和差距判断

检索增强生成（RAG）将语言模型建立在外部证据的基础上，但多跳问答仍然很困难，因为迭代管道必须控制下一步检索什么以及何时可用证据足够。在实践中，系统可能会从不完整的证据链中进行回答，或者它们可能会积累冗余或干扰较多的文本，从而干扰以后的检索和推理。我们提出了 S2G-RAG（结构化充分性和差距判断 RAG），这是一个具有显式控制器 S2G-Judge 的迭代框架。在每个回合，S2G-Judge 都会预测当前的证据记忆是否支持回答，如果不支持，则输出描述缺失信息的结构化间隙项。然后将这些间隙项映射到下一个检索查询，产生稳定的多轮检索轨迹。为了减少噪声积累，S2G-RAG 通过从检索到的文档中提取一组紧凑的相关句子来维护句子级证据上下文。在 TriviaQA、HotpotQA 和 2WikiMultiHopQA 上的实验表明，S2G-RAG 提高了多跳 QA 性能和多轮检索下的鲁棒性。此外，S2G-RAG 可以作为轻量级组件集成到现有的 RAG 管道中，而无需修改搜索引擎或重新训练生成器。