搜索推荐广告的多跳问题，怎么构建可验证的证据链？

先这样答

构建可验证证据链的核心是拆解多跳问题并执行多轮检索。多跳问题通常表现为A影响B，B再影响C。单次常规检索无法解答这种逻辑链路。我们需要把原始问题拆分。每一跳对应一个具体的子查询。

系统按顺序执行这些拆分后的子查询。系统执行每一跳检索时，会把上一跳的结论作为上下文带入当前查询。系统必须完整记录每一跳的来源引用。这些带有具体来源的中间结论按顺序拼接，最终形成一条完整的链式证据。这种实现方式接近Agentic RAG的多轮检索机制。

证据链的可验证性体现在精确的回溯机制上。每一跳生成的中间结论都不能凭空产生。这些结论必须能直接回溯到具体的原始文档片段。系统会逐一评估每一环证据的可靠程度。链条上任意一环的检索证据较弱时，系统要在最终回答中标注不确定性。

面试官会怎么追问

• 「怎么判断某一环的证据比较弱？」 系统会检查检索到的文档片段与当前子查询的相关度。如果检索不到包含明确答案的片段，系统就判定该环证据弱。此时系统会将该中间结论标记为低置信度。

• 「上一跳的结论带入当前查询，具体是怎么做的？」 系统会将前一跳的结论文本拼接到当前子查询中。模型会根据这个组合文本生成新的检索词。这样可以保证新的检索词包含前置条件的约束。

• 「为什么说这接近Agentic RAG的多轮检索？」 Agentic RAG的核心是让模型决定检索步骤。多跳问题的拆跳和上下文传递需要模型进行动态规划。模型根据每一轮的检索结果决定下一跳的查询内容。这与传统RAG的单次静态检索完全不同。

回答的坑

• 试图用单次复杂向量检索解决多跳逻辑问题。
• 忽略中间步骤的文档回溯，直接让模型根据所有检索片段自行生成最终答案。