CogRAG：通过分层检索和推理解决 RAG 中的异质认知需求

检索增强生成（RAG）框架通常通过一刀切的管道处理所有查询，忽略不同任务的异构认知需求。这种认知盲法会导致两种失败模式：基础事实差距触发幻觉推理时出现级联错误，以及高阶分析任务中推理与答案不一致。我们引入 CogRAG，这是一个 无需训练 领域不可知的框架，它通过分层检索和推理来解决这些异构认知需求。受布鲁姆分类法的启发，CogRAG 使用查询的预测认知负载作为协调两个模块的中央控制信号：认知自适应证据细化通过以事实为中心或以选项为中心的路径补充缺失的上下文，认知分层结构化推理用认知对齐的推理模板取代不受约束的思维链。我们在要求严格的专业测试平台（注册营养师资格考试）上评估 CogRAG。 CogRAG 有效减少了早期事实错误，消除了推理与答案不一致的情况，将单选模式下的 Qwen3-8B 准确率从 73.4% 提高到 85.8%，场景模式下的准确率从 63.3% 提高到 80.5%。这些结果凸显了认知分层控制作为 大语言模型 中可靠的复杂推理的有效、可推广的范例。