RAG 如何处理需要多跳证据的问题？

面试时怎么答

这题应讲“为什么一次检索不够”，再给出迭代链路：拆分问题，先找桥接实体或第一跳事实，用已确认信息生成下一跳查询，最后合并证据作答。每一跳都要保存来源，避免只留下最终结论。

若追问如何防止越检索越偏，回答跳数上限、证据一致性检查、并行候选和可回答性终止。评测也应按跳检查，不只看最终答案。

可以这样答：

多跳问题需要把不同文档中的事实串起来，一次相似度检索常找不到完整证据。可先把问题拆成子问题，检索第一跳并抽取桥接实体，再据此发起下一跳查询，最后对各跳证据做去重和一致性检查后生成答案。为防止查询漂移，应限制跳数、保留多条候选路径并给每个结论绑定出处；评测要同时看每跳 Recall 和最终答案。

核心回答

多跳问题的后续检索词往往依赖前一步发现的实体或事实，一次用原问题检索可能无法找到完整证据。常见做法是先拆分子问题，或在“检索—读取—更新查询”循环中逐步补证据；也可以生成多个查询表达或假设文档改善语义召回。关键是保存每一跳的证据和状态，并设置停止、去重和验证条件，防止错误中间结论继续放大。

展开说明

几种策略解决的重点不同：

1. Query Decomposition：把可分解问题变成有依赖关系的子问题，按依赖顺序执行。
2. Multi-Query：生成多个同义或不同视角的查询，再融合结果，适合原问题表达不足。
3. HyDE：先生成假设性文档并编码，用其语义寻找真实文档；假设文本可能包含错误，最终证据仍必须来自语料库。
4. 迭代检索：像 IRCoT 一样交替推导当前线索和检索下一批证据，适合实体链或组合关系。
5. 自适应检索：先判断是否需要检索以及何时继续，避免所有问题都固定执行相同跳数。

多次检索会增加延迟、费用和攻击面；跳数越多，也越需要检查证据之间是否真的构成完整推理链。

工程实践

状态中记录当前子目标、已确认事实、证据 ID、未解决条件和访问过的查询。设置最大跳数与无新增证据的终止规则，并对查询循环做去重。评估时除最终答案外，还要检查 Supporting Fact Recall、每跳有效命中率、平均跳数和错误传播位置。

常见追问

1. Multi-Query 与多跳检索有什么区别？ Multi-Query 并行改写同一个意图以扩大单跳召回；多跳检索让上一跳的证据或实体改变下一跳查询，存在依赖链。
2. HyDE 生成的假设文档包含错误时为什么仍可能有用？ 检索依赖的是假文档的向量和文体术语，而不是把其事实直接当答案；但错误实体可能导致漂移，必须回到真实文档验证。
3. 如何判断迭代检索应该停止？ 当证据已覆盖全部子问题、没有新实体或新证据增益低于阈值时停止，并设置最大跳数防止循环和成本失控。

一句话复习

多跳 RAG 让新证据驱动下一次检索，但必须控制状态、跳数和中间错误传播。

参考资料

• 面经主题：Datawhale 真实面试题中的多次检索与自适应 RAG
• 技术依据：IRCoT、HyDE、Self-RAG