在复杂的文档问答（Document Q&A）场景中，多跳推理（Multi-hop Reasoning） 指的是系统无法直接从单个文本片段中找到答案，而是需要跨越多个段落、多个文档，甚至结合不同的信息源，经过逻辑推导才能得出结论的过程。 传统的简单 RAG（检索增强生成）通常只进行一次检索（Retrieve）然后生成（Generate），这在面对多跳问题时往往会失败，因为答案的线索分散在不同位置。 Agent 通过引入规划（Planning）、工具使用（Tool Use）和记忆（Memory）机制来解决这个问题。以下是 Agent 处理多跳推理的核心策略和架构： --- 1. 问题分解（Query Decomposition / Sub-questioning） 这是最基础也是最有效的策略。Agent 不直接回答复杂问题，而是将其拆解为一系列简单的子问题。 工作原理： 1. Agent 接收复杂查询（例如：“对比 A 公司和 B 公司在 2023 年的营收增长率，并说明谁更高”）。 2. LLM 分析问题，生成子问题列表： 子问题 1：A 公司 2022 和 2023 年的营收是多...
播面