詳細解釋
需要跨越多個信息片段、建立多步連接的複雜推理。例如：「喬布斯創立的公司總部在哪個城市？」需要連接「喬布斯→蘋果→總部→庫比蒂諾」。
與單跳對比：
- 單跳：答案直接在一個文檔中
- 多跳：答案分散在多個文檔，需組合
應用場景：
- 科學文獻：「藥物 A 抑制蛋白 B，蛋白 B 參與疾病 C，所以 A 可治療 C？」
- 法律分析：「條款 X 引用條款 Y，條款 Y 受修正案 Z 影響」
- 歷史研究：「人物 A 認識 B，B 影響了 C，C 導致事件 D」
- 企業分析：「公司 A 投資 B，B 收購 C，C 的 CEO 曾是 D 的高管」
RAG 中的挑戰：
- 迭代檢索：先檢索 A，發現需要 B，再檢索 B
- 實體鏈接：識別不同文檔中的同一實體（「蘋果公司」vs「Apple Inc.」）
- 中間結果存儲：維護推理狀態
- 錯誤累積：一步錯導致全錯
技術方法：
- 顯式推理：模型輸出「第一步...第二步...」
- 圖神經網絡：知識圖譜上的多步傳播
- 迭代檢索：動態生成查詢，逐步收集證據
- 記憶網絡：顯式存儲和檢索中間結果
評估基準：
- HotpotQA：維基百科多跳問答
- MuSiQue：更難的多跳推理
- 2WikiMultiHopQA：結構化知識的多跳
當前局限：即使最強 LLM（GPT-4）在複雜多跳上仍常失敗，特別當跳數 >3 或涉及隱含關係。
這是「深度理解」vs「表面檢索」的試金石—— 真正的知識運用需要連接分散的事實。