自校正 RAG：通过 MMKP 上下文选择与 NLI 引导的 MCTS 增强忠实性

检索增强生成（RAG）虽扩展了大模型知识边界，但在处理复杂推理任务时仍面临上下文利用率低和频繁幻觉的挑战。本文提出自校正 RAG 框架，将检索与生成重构为约束优化与路径规划问题。输入端首次将上下文选择形式化为多维多选背包问题，以在令牌预算下最大化信息密度；输出端引入自然语言推理引导的蒙特卡洛树搜索机制，利用测试时计算动态探索推理轨迹并验证答案忠实性。实验表明该方法显著提升了复杂查询的推理准确性并有效减少幻觉。