PAR$^2$-RAG：面向多跳问答的规划式主动检索与推理

大型语言模型在多跳问答（MHQA）中表现脆弱，需跨文档结合证据进行检索与推理。迭代检索易陷入低召回轨迹并放大错误，而纯规划方法生成的静态查询集难以适应中间证据变化。本文提出 PAR$^2$-RAG 框架，将“覆盖”与“承诺”分离：首先通过广度优先锚定构建高召回证据前沿，随后在迭代循环中应用深度优先细化及证据充分性控制。在四个 MHQA 基准测试中，该方法显著优于现有最先进基线，相比 IRCoT 准确率最高提升 23.5%，NDCG 检索增益达 10.5%。