证据推理重建：当证据被召回但推理出错时

现代多跳 LLM Agent配备了内置机制来检测中间推理步骤中的错误。此类错误会触发这些Agent的纠正措施，这些措施大多遵循重试步骤或推理轨迹的范式。这些重试不仅成本高昂，而且我们在本文中指出它们也可能是不必要的。为此，我们引入了证据推理重建（EIR），它使用结构化状态来指导一个检索轨迹，在此过程中积累源证据。我们表明，只要收集了相关证据，即使由于不正确的中间推理步骤而混合了错误的证据，EIR 也能够在单个最终模型调用中生成正确的答案。在一项评估中，我们使用 Haiku 4.5 和 GPT-4.1 Mini，在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 的 1,000 个匹配问题子集上评估 EIR，结果表明 EIR 将答案 F1（模型与正确答案之间的重叠）比基线提高了 8.3--32.8 分，将 Agentic SSR 提高了 10.6--29.1点，反射点 1.1--15.9 点。此外，我们还发现，EIR 每个问题的平均模型调用总数为 4.85 次，而 Agentic SSR 的模型调用总数为 35.29 次，Reflexion 的模型调用总数为 12.41 次。总之，这些结果证实了 EIR 的中心前提：将证据检索与最终答案模型调用分开可以提高答案准确性，同时大大减少计算量。