以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Retrieval-augmented generation (RAG) lets a large language model (LLM) answer questions by retrieving relevant passages from a large corpus. However, RAG struggles with multi-hop questions, which require chaining facts spread across several documents through intermediate entities that the question never mentions. Graph
阅读原文 · Dingyi Kang, Bingzhe Li
向阳乔木 · opencode-go/deepseek-v4.1-flash
多跳问答一直是 RAG 里比较难做的一类问题。问题本身不复杂，难在答案分散在几篇文档里，中间还要经过问题没提到的实体。这篇 DeFT-RAG 的思路挺直接： 别让 LLM 一次干太多活，把多跳拆成串行的自包含子问题，一次只问一个。 值得看的原因在于，它没有靠堆更强的模型或更大的检索量，而是重新安排了任务分工。摘要里说，在 MuSiQue、2WikiMulti...