“ RAG多跳推理是解决复杂问题的基础，来源于人类分步解决复杂问题的过程。”

大家开发RAG系统是不是都是用户提问题，拿着问题向量化，然后去知识库中做相似度检索，然后直接回复问题；查到了就查到了，没查到就没查到。

比如说对简单的业务场景，公司的产品产品说明文档，你问某某产品怎么用？

这时，使用问题去做相似度检索就能准确检索到某个产品的说明，然后问题解决。

但是，不知道你是否考虑过这种问题，某某产品的老板是谁？

这个时候通过简单的相似度召回就很难解决问题了，因为在产品说明书上最多介绍产品上某某公司生产的，而不会说老板是谁。

这时候应该怎么办？

面对这种相对复杂的问题，就需要多跳推理技术来解决，简单来说就像我们普通人解决复杂问题需要拆分，分步骤解决。

第一步，先根据某某产品去检索其生产企业，然后再根据企业名称去检索企业信息获取到老板信息；面对这样的问题就需要分两步处理，如果面对更复杂的问题，可能需要三步或更多，这个过程就叫做多跳推理。

多跳推理

什么叫多跳推理？

多跳推理是指问题的答案依赖多个逻辑关联的知识片段，需要先处理第一个逻辑关系，再处理第二个逻辑关系，以此推类，直到获取最终结果。

本质上来说，多跳推理其实就是一个链式RAG，每个节点的输出都是下一个节点的输入，下一个节点依赖于上一个节点的输出；因此，如果一旦某个节点出现问题，那么最终的结果肯定会出问题。

举个生动的例子：

• 问题："ChatGPT的开发公司CEO是谁？"
• 第1跳：检索"ChatGPT开发公司" → 得到"OpenAI"
• 第2跳：检索"OpenAI CEO" → 得到"Sam Altman"
• 答案：Sam Altman

传统RAG假设"一次检索就能命中答案"，而多跳问答承认"复杂问题需要分步破解"。

但是，在多跳推理中有三个必须要解决的问题：

• 问题分解：模型怎么知道应该把用户问题分解成几个问题？
• 检索顺序：模型分解问题之后，需要按顺序检索，如果顺序错乱，那么结果肯定就乱了
• 结果融合：由于多跳推理需要经过多个步骤，也就是多次检索，但每次检索结果都可能存在噪音，因此怎么把多次检索的结果合并成一个连贯的推理过程？

以上三个问题不解决，那么多跳推理就只是一个概念，即使勉强做出来结果往往也差强人意。

解决方案

方案一：迭代检索

这是最简单也是最直接的方案，简单来说就是把多跳检索变成一个循环，让模型自己去分析问题，然后做检索，然后分析，再检索再分析，直到最终结果。

工作原理：

1. 用原始问题做第一次检索
2. 把检索结果交给LLM判断"信息够不够回答问题"
3. 如果不够，让LLM生成下一个查询问题继续检索
4. 重复直到信息充足或达到最大迭代次数

优点：

• 灵活性强，不需要预先规划推理路径
• 适合推理路径不固定、探索性强的场景

缺点：

• 容易陷入无效循环
• 每次判断都要调用LLM，延迟较高
• 难以调试，推理过程是黑盒

方案二：查询分解（Query Decomposition）

这是一种提前规划的思路，让LLM先把复杂问题一次性拆解成子问题序列，然后按照依赖关系逐个执行检索。

工作原理：

1. 让LLM把原始问题拆成有依赖关系的子问题
2. 按照依赖顺序逐个检索
3. 每次检索都把前序答案拼接到当前查询中
4. 最后聚合所有子问题的答案

优点：

• 推理路径清晰可控，便于调试和优化
• 可以并行执行无依赖关系的子问题，加速检索
• 适合模式固定的多跳场景

缺点：

• 对问题分解的准确性要求很高
• 如果第一步拆解错了，后面全错
• 难以处理动态调整推理路径的场景

方案三：图推理（Graph-based Reasoning）

这种方案把知识库预处理成实体关系图，把检索问题转化为图遍历问题。

工作原理：

1. 把知识库构建成实体关系图（三元组：实体→关系→实体）
2. 从问题中提取起始实体和目标类型
3. 在图上进行多跳遍历，寻找连接路径
4. 把路径上的实体和关系组合成答案

优点：

• 推理路径可解释性强
• 可以利用图算法优化检索效率
• 适合知识边界清晰、实体关系稳定的领域

缺点：

• 构建和维护知识图谱的成本很高
• 对非结构化文本处理能力弱
• 适合医疗诊断、法律咨询等专业场景，不适合通用问答

方案四：Agent框架

这是最前沿的方案，把整个多跳推理过程建模成Agent的规划和执行过程。

工作原理：

1. Agent制定推理计划（需要哪些工具，执行顺序是什么）
2. 调用不同工具（检索、计算、API调用等）逐步执行
3. 每一步都有反思和修正机制
4. 最终输出答案

优点：

• 能力上限很高，可以处理非常复杂的推理任务
• 支持工具调用，不仅限于检索
• 可以自主规划和纠错

缺点：

• 工程复杂度最高
• 需要解决工具调用的可靠性、异常处理、成本控制等问题
• 适合对准确性要求极高的核心业务

方案一和方案四，从本质上来说其实差不多，只不过方案四借助Agent的能力，会有更强的检索能力和处理复杂问题的能力。

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。