BELIEFRAG：根据不断变化的证据使自适应 RAG 具有状态感知能力

自适应 RAG 使用置信度、相关性、支持度和检索质量等信号来决定何时搜索或更正证据。然而，在多步骤检索中，必须将这些局部信号组合成一个持久的视图，以了解当前证据支持什么、仍然缺失什么以及应该采取哪些行动。现有方法通常使用此类信号作为单独的触发器，因此很难在整个轨迹上保持一致的证据状态；我们称这个问题为证据状态碎片。我们引入了 BELIEFRAG，一个闭环控制器，它更新关于充分性、可靠性、冲突、不确定性、证据差距和获取成本的显式状态，然后在检索、查询重写、验证、回答、停止和弃权之间进行选择。在使用 gpt-oss-120b 的六个 QA 基准测试中，BELIEFRAG 的平均标记 F1 为 0.572，每个问题有 3.89k 个标记，优于固定迭代检索 (0.555 F1)，同时使用的标记减少了 39%。相同的质量成本模式转移到 Qwen3-32B，其中 BELIEFRAG 达到 0.552 F1，而迭代检索则达到 0.523，同时使用的标记减少了 35%。分析表明，主要收益来自纠正性重新检索，而不是单独修剪，而几个信念维度是多余的，校准的可回答性发挥着最强的操作作用。校准提高了相关证据源的阈值稳定性，尽管源转移仍然会使相同的决策信号失效。