GRASP：多跳问答命题的图代理搜索

代理检索通过赋予语言模型迭代收集证据的自主权来改进多跳问答。最近的工作通过用于结构化遍历的知识图来增强这些系统，但这种组合会带来巨大的成本：索引时昂贵的图构建以及推理时的复合词元使用。我们引入了图形代理搜索命题（GRASP），这是一种代理系统，可以同时优化多跳问答中的高精度和最少的词元使用。 GRASP 不是执行严格的单一查询，而是通过将多跳查询分解为依赖性感知计划来主动协调其检索策略。这使得 GRASP 能够根据问题的复杂性动态扩展子代理的数量。每个子代理通过探索实体、命题和段落的新颖三层分层图来解决其单跳查询，使用实体层进行有针对性的遍历，并使用命题层通过倒数排序投票进行高召回率段落检索。我们在两种设置下在 MuSiQue、2WikiMultihopQA 和 HotpotQA 上评估 GRASP：开放语料库检索和扩展上下文推理 (LongBench)。 GRASP 在 MuSiQue 和 2Wiki 上的开放检索设置中实现了最高的 QA 准确度，同时使用的标记比 IRCoT+HippoRAG2 少 40-50%。此外，GRASP 在 LongBench 设置中的所有三个数据集上均领先于 EM 和 F1，同时比第二个最准确的方法使用的标记少 30%。最后，我们引入成功经济——每个正确答案的摊销词元成本，按难度加权——并提倡将效率意识评估作为代理 QA 的标准实践。