近日，一項名為AdaGATE的新研究提出了一種無需訓練的證據控制器，用於多跳檢索增強生成（RAG）場景。該研究由Yilin Guo、Yinshan Wang和Yixuan Wang共同完成，論文於2026年5月4日提交至arXiv（編號2605.05245），目前程式碼和評估流程已在GitHub上開源（https://github.com/eliguo/AdaGATE）。
傳統RAG在多跳問答中常因檢索到的證據噪聲大、冗餘多或上下文視窗有限而表現脆弱。現有方法要麼簡單擴充套件上下文，要麼從固定top-k集合中選擇，或者最佳化相關性，但都未能明確修復缺失的橋樑事實。AdaGATE另闢蹊徑，將證據選擇建模為受令牌約束的修復問題，核心包含三大元件：實體為中心的缺口追蹤（entity-centric gap tracking）、目標性微查詢生成（targeted micro-query generation）以及基於效用的選擇機制。該機制綜合權衡缺口覆蓋率、證據一致性、新穎性、冗餘度和直接問題相關性，從而選出最優證據集。
實驗在HotpotQA資料集上進行，涵蓋乾淨、冗餘注入和噪聲注入三種檢索條件。結果一致顯示，AdaGATE在證據F1得分上超越所有對比控制器，在乾淨資料上達到62.3%，在冗餘注入下達到71.2%，同時使用的輸入令牌數比Adaptive-k少2.6倍。這些結果表明，明確的間隙感知修復結合令牌高效證據選擇，能在不完美檢索條件下顯著提升多跳RAG的魯棒性。
該研究的開原始碼和評估pipeline為多跳RAG在現實部署中的可靠性提升提供了實用工具，尤其適用於處理檢索結果不完美的場景。未來，AdaGATE有望成為多跳問答系統的重要元件，推動RAG在更復雜任務中的應用。