QueryFlow：具有自适应查询演化的多跳图检索

多跳检索增强生成（RAG）通过在有限的检索预算内，从相关页面中恢复互补证据，支持 Web 信息搜寻和事实验证。针对原始问题独立地对证据进行评分，可能会遗漏那些只有通过中间事实才能显现其相关性的支持单元。迭代检索会将这些事实纳入后续查询，而图检索则显式建模证据单元之间的关系。然而，固定查询的图检索器虽然会更新实体表示，却不会根据累积的关系上下文调整查询条件。我们将多跳证据恢复视为证据表示与查询条件的协同演化过程：累积上下文不仅影响检索器如何表示信息，也影响其如何搜索互补证据。QueryFlow通过循环地将图上下文中以查询为条件生成的摘要整合到共享查询状态中，实现了这一理念；该查询状态控制后续传播的边界输入和关系特征。在四个具有代表性的多跳问答（QA）数据集上，相较于具有代表性的基线方法，QueryFlow的宏平均 Recall@10（R@10）、完整 Recall@10（FR@10）和 LLM-Acc 分别提升了4.98、8.40和8.0个百分点。