NeocorRAG：通过证据链减少无关信息、增加显式证据并实现更有效的召回

针对检索增强生成（RAG）中检索性能提升未有效转化为推理准确率增益的问题，本文提出召回转化率（RCR）指标量化该差距。分析发现主流方法存在检索质量与召回率的权衡困境。为此，作者提出 NeocorRAG 框架，通过系统化挖掘和利用“证据链”实现整体检索质量优化。该框架采用激活搜索算法精炼候选空间，利用约束解码确保证据链生成，并以此指导检索优化。实验表明，NeocorRAG 在多个基准测试中达到最先进水平，显著降低 token 消耗，提供了一种高效且无需训练的 RAG 增强范式。