ACTIVERAG

• 类型：检索增强推理（Retrieval-Augmented Reasoning）
• 解决的问题：通过检索外部知识弥补模型内部知识不足，提升推理的准确性和鲁棒性，具体解决以下问题：
  • 知识不足导致的推理失败：通过知识同化代理（Assimilation Agent）将外部检索到的知识与LLM的固有参数化知识结合，增强对复杂问题的理解。
  • 噪声检索干扰：通过思维顺应代理（Accommodation Agent）校准推理链，减少检索噪声对答案生成的负面影响。
  • 参数化记忆与外部知识冲突：利用多阶段学习和反思机制，缓解内部知识与外部证据的冲突，提高答案自洽性。

1. 多步推理过程总结

ACTIVERAG的推理流程可分为以下核心步骤：

Self-Inquiry → Knowledge Assimilation → Thought Accommodation

具体分解为：

1. Self-Inquiry（自我询问）

   • 输入：问题 \( q \)。

   • 推理目标：基于LLM的参数化记忆生成初始推理链 \( \mathcal{P} \)。

   • 输出：初始回答的推理过程（类似Chain-of-Thought）。

2. Knowledge Assimilation（知识同化）

   • 输入：检索到的文档 \( \mathcal{D} \)。

   • 推理目标：通过指令（如关联、锚定、反思等）将外部知识转化为结构化理解（例如逻辑关系、反事实对比）。

   • 输出：知识理解结果 \( \mathcal{T} \)。

3. Thought Accommodation（思想适应）

   • 输入：初始推理链 \( \mathcal{P} \) + 知识理解 \( \mathcal{T} \)。

   • 推理目标：校准LLM的参数化记忆与外部知识冲突，修正初始回答。

   • 输出：最终答案 \( y \)。

迭代性分析：

• 无显式迭代：流程是线性顺序执行的（Self-Inquiry → Assimilation → Accommodation）。

• 隐含迭代：在知识同化阶段，可能通过多指令配置（如关联→推理→反思）实现知识理解的迭代优化，但文中未明确说明具体迭代机制。

2. 方法类型判断