近日，一项名为AdaGATE的新研究提出了一种无需训练的证据控制器，用于多跳检索增强生成（RAG）场景。该研究由Yilin Guo、Yinshan Wang和Yixuan Wang共同完成，论文于2026年5月4日提交至arXiv（编号2605.05245），目前代码和评估流程已在GitHub上开源（https://github.com/eliguo/AdaGATE）。
传统RAG在多跳问答中常因检索到的证据噪声大、冗余多或上下文窗口有限而表现脆弱。现有方法要么简单扩展上下文，要么从固定top-k集合中选择，或者优化相关性，但都未能明确修复缺失的桥梁事实。AdaGATE另辟蹊径，将证据选择建模为受令牌约束的修复问题，核心包含三大组件：实体为中心的缺口追踪（entity-centric gap tracking）、目标性微查询生成（targeted micro-query generation）以及基于效用的选择机制。该机制综合权衡缺口覆盖率、证据一致性、新颖性、冗余度和直接问题相关性，从而选出最优证据集。
实验在HotpotQA数据集上进行，涵盖干净、冗余注入和噪声注入三种检索条件。结果一致显示，AdaGATE在证据F1得分上超越所有对比控制器，在干净数据上达到62.3%，在冗余注入下达到71.2%，同时使用的输入令牌数比Adaptive-k少2.6倍。这些结果表明，明确的间隙感知修复结合令牌高效证据选择，能在不完美检索条件下显著提升多跳RAG的鲁棒性。
该研究的开源代码和评估pipeline为多跳RAG在现实部署中的可靠性提升提供了实用工具，尤其适用于处理检索结果不完美的场景。未来，AdaGATE有望成为多跳问答系统的重要组件，推动RAG在更复杂任务中的应用。