【第三周】关键词解释：单步检索（Single-hop RAG）和多步检索（Multi-hop RAG）

导读在检索增强生成RAG的世界里并不是所有问题都能“一搜即得”。当面对需要逻辑推理的复杂问题时传统的“单步检索”往往力不从心而“多步检索”则像一位侦探通过抽丝剥茧找到真相。本文将通过一个生动的案例带你彻底搞懂这两个核心概念。 为什么我们需要区分这两种检索想象一下你正在问AI一个稍微有点绕弯子的问题。如果AI只是把您的问题扔进搜索引擎然后抓取第一段看起来相关的文字就回答它很可能会一本正经地胡说八道。这就是单步检索的局限性。而为了解决这个问题多步检索应运而生。它们的核心区别在于是否具备“拆解问题”和“链式推理”的能力。️‍♂️ 实战演练一个让单步检索“翻车”的问题为了直观展示两者的区别我们来看一个经典的**多跳Multi-hop**问题用户提问“《奥本海默》电影的导演他的上一部获得奥斯卡最佳影片奖的电影是在哪一年上映的”❌ 场景一单步检索 (Single-hop Retrieval)工作原理将用户整个句子转化为向量直接在知识库中搜索最相似的文本片段。检索动作系统搜索关键词“奥本海默 导演 上一部 奥斯卡最佳影片 年份”。遇到的困难互联网上很少有文章会直接用这句话作为标题或摘要。搜索结果可能充斥着《奥本海默》获奖的新闻或者诺兰的生平简介但没有任何一个片段直接包含“上一部获奖电影是XXX上映于XXX年”的确切答案。模型的反应由于缺乏直接证据大语言模型LLM被迫依靠其训练数据中的概率进行“猜测”。可能的错误回答“克里斯托弗·诺兰的上一部获奖电影是《敦刻尔克》上映于2017年。”事实核查❌错误《敦刻尔克》当年并未获得最佳影片只获得了提名。这是一个典型的幻觉。✅ 场景二多步检索 (Multi-hop Retrieval)工作原理像人类侦探一样将大问题拆解为小问题分步骤检索前一步的结论是后一步的线索。️‍♂️ 第一步确认主角思考要回答问题我得先知道《奥本海默》的导演是谁。子查询 1“电影《奥本海默》的导演是谁”检索结果维基百科显示导演是克里斯托弗·诺兰 (Christopher Nolan)。中间状态已知导演 诺兰。️‍♂️ 第二步追踪线索思考现在我知道是诺兰了。我要查他在《奥本海默》之前哪部执导的电影拿了奥斯卡最佳影片。子查询 2“克里斯托弗·诺兰 执导电影 奥斯卡最佳影片奖 历史”检索结果多篇影评指出在2024年之前诺兰虽然多次提名如《盗梦空间》、《敦刻尔克》但从未凭借执导作品获得过最佳影片奖。《奥本海默》是他的第一部。️‍♂️ 第三步逻辑综合与纠错思考检索结果显示前提有误。不存在“上一部”获奖电影。最终回答“《奥本海默》的导演是克里斯托弗·诺兰。事实上《奥本海默》是他执导的第一部获得奥斯卡最佳影片奖的电影。在此之前他并没有执导过获此殊荣的作品因此不存在‘上一部’的说法。”⚖️ 核心对比总结特性单步检索 (Single-hop)多步检索 (Multi-hop)思维模式直觉反应看到问题直接找答案。逻辑推理拆解问题 - 寻找线索 - 逐步推导。适用场景事实性问答如“珠穆朗玛峰有多高”。复杂推理问答如“A的老师的B作品的作者是谁”。依赖关系无依赖一次性完成。强依赖第NNN步检索依赖第N−1N-1N−1步的结果。抗幻觉能力较弱容易在信息缺失时编造。较强通过分步验证事实链条。计算成本低速度快。高需要多次调用模型和检索接口。技术代表传统 RAG, Naive RAG。Q-RAG, FrugalRAG, DeepRAG, ReAct 框架。为什么现在多步检索这么火在最新的ICLR 2026研究中你会发现大量论文如列表中的Q-RAG,FrugalRAG,HiPRAG,DeepRAG都聚焦于此。原因在于问题越来越难用户不再满足于简单的百科问答而是希望AI能处理复杂的分析、对比和推理任务。长上下文挑战虽然模型窗口变大了但在海量文档中直接找到隐含的逻辑链依然很难主动的“多步搜索”比被动的“全文投喂”更高效。效率与准确的平衡早期的多步检索很慢现在的研究如FrugalRAG致力于用强化学习让模型学会“少步数、高精度”的检索只在必要时才进行多步思考。 结语如果把单步检索比作“百度一下”那么多步检索就是“福尔摩斯探案”。随着大模型应用深入各行各业从简单的客服问答到复杂的科研辅助、法律案情分析多步检索将成为构建高智商AI代理Agent的标配能力。下次当你问AI一个复杂问题得到精准回答时请记得它背后可能刚刚经历了一场精彩的“多步推理”之旅。