根据论文内容，其结合检索和推理的目的属于推理增强检索，主要解决了以下问题：

解决的问题：

通过多步迭代的生成（推理过程）优化检索质量，弥补初始查询与文档内容之间的语义鸿沟。具体来说，复杂问题（如多跳问答）的初始检索可能无法直接命中所需信息，而模型生成的中间结果（如部分答案或上下文）为后续检索提供了更精准的查询意图，从而缩小了问题与文档的匹配差异。

核心机制：

1. 推理指导检索：每次生成的输出（如中间答案）作为新的检索上下文，动态调整检索方向。
2. 迭代协同：检索和生成交替进行，生成结果修正检索意图，检索结果又支撑更准确的生成，形成闭环优化。
3. 语义鸿沟填补：针对多跳问题，通过生成解析隐含的中间信息（如实体、关系），辅助检索系统理解深层需求。

举例说明：

在论文的案例中，问题“2015年AFL新星奖得主的身高是多少？”需要先检索“获奖者身份”，再检索“身高信息”。传统单次检索可能无法直接关联两个信息点，而ITER-RETGEN通过首轮生成“获奖者是Jesse Hogan”作为新检索词，使第二轮检索命中包含其身高的文档，从而完成多步推理。这体现了推理过程对检索意图的解析优化。

问题解答

1. 多步推理过程总结

ITER-RETGEN的核心推理过程是迭代式检索与生成的协同，最小迭代单元为：

生成（基于当前检索结果）→ 生成增强检索（基于生成内容扩展查询）→ 检索（新查询）→ 再生成（基于全量检索结果）。

具体流程：

• 初始迭代：用原始问题 \( q \) 检索文档 \( \mathcal{D}q \)，生成初步回答 \( y_1 \)。 • 后续迭代：将 \( y{t-1} \) 与 \( q \) 拼接为新查询，检索更相关文档 \( \mathcal{D}{y{t-1} \| q} \)，并基于累积的检索结果生成改进回答 \( y_t \)。 • 终止条件：达到预设迭代次数 \( T \)，输出最终回答 \( y_T \)。

该过程通过生成内容动态修正检索目标，逐步缩小语义鸿沟，最终提升回答质量。

2. 流程类型判断：预定义的Agentic RAG Flow

ITER-RETGEN属于预定义的多步推理流程，其显著特征为：