当 RAG 遇到查询规划：用于解决探索性推理问题的逻辑查询树

检索增强生成（RAG）有效地将 大语言模型 （LLM）建立在外部知识的基础上，但与 \textbf{探索性推理问题（ERP）} 作斗争，这些问题是涉及高度不确定性和模糊性的复杂查询。解决 ERP 需要复杂的推理和不明确的路径，往往会导致检索噪声和错误累积。此外，缺乏端到端的规划机制使得难以为 ERP 生成有效的轨迹。受数据库查询规划的推动，我们引入了 \emph{PlanRAG}，这是一个 RAG 框架，它将自然语言的 ERP 建模为 \textbf{逻辑查询树（LQT）}。然而，由于结构化 SQL 和非结构化自然语言之间的表示和优化差距，将 ERP 转换为 LQT 并非易事，这使得构建高质量的 LQT 极具挑战性。为了解决这些问题，我们首先将 ERP 分解为原子查询，然后使用由涉及多个互补维度的成本模型引导的动态编程将它们组织为 LQT。最后，我们通过 LQT 执行迭代聚合、重写、检索和生成，同时处理节点并向上传播中间结果，并在多个线程之间进一步并行化以提高效率。我们的实验结果表明，PlanRAG 在我们新构建的数据集 \textbf{WikiWeb-ERP} 上优于最先进的基于迭代和基于图的 RAG 系统，从而为优化自然语言查询提供了新的公式。我们的源代码和数据集可在 https://anonymous.4open.science/r/PlanRAG-main-B2C8/ 获取。