马萨诸塞大学阿默斯特分校与Adobe联合提出的智能检索新框架GRASP

这项研究由美国马萨诸塞大学阿默斯特分校与Adobe研究院联合完成，论文于2026年7月发布，编号arXiv:2607.10463v1，属于人工智能与自然语言处理领域。感兴趣的读者可以通过这个编号在arXiv上找到完整论文。

一、你的AI助手为什么总是答错多步骤的问题？

你有没有遇到过这样的情况：你问一个AI助手一个需要“查两遍资料”才能回答的问题，结果它给你一个听起来很自信但其实完全错误的答案？

举个例子，一道典型的“烧脑题”：哪张Eminem的专辑收录了一位曾发行过《Unapologetic》专辑的歌手的客串人声？要回答这道题，你得先搞清楚《Unapologetic》是谁的专辑（答案是Rihanna），然后再去查哪张Eminem的专辑收录了Rihanna的客串演唱（答案是《The Marshall Mathers LP 2》）。这是一个典型的“两跳”问题——得先找到中间那块“跳板”，才能抵达最终答案。

现有的AI问答系统在这类问题上表现糟糕，原因有三个层面。第一，如果AI只查一次资料，它可能恰好拿到了包含Rihanna和Eminem名字的两段文字，但这两段文字里还夹杂着大量无关信息——比如某张专辑的销售数据、某首歌的作词经历——这些“噪音”会把AI的注意力带跑偏，让它产生幻觉，把答案误判为《Encore》而非正确答案。第二，即便AI可以多次查资料，如果第一次查错了方向（比如误以为《Unapologetic》是Kelly Clarkson的专辑），那接下来的每一步都会沿着错误的轨道越走越远，最终得出一个看起来“有理有据”却完全错误的结论。第三，AI在查资料时通常只会用一种方式检索——要么按关键词精确匹配，要么按语义相似度模糊搜索——但不同的问题需要不同的检索方式，用单一策略应对所有情况，必然捉襟见肘。

正是为了解决这三个问题，马萨诸塞大学阿默斯特分校与Adobe研究院的研究团队提出了一个名为GRASP的新框架，全称是“粒度感知搜索策略”（Granularity-Aware Search Policy for Agentic RAG）。

二、AI界的“检索增强生成”是怎么一回事？

在正式介绍GRASP之前，有必要先解释一个背景概念：检索增强生成，英文简称RAG。

可以把大型语言模型（也就是ChatGPT这类AI）比作一个记性极好但知识截止于某个时间点的“百科全书脑”。它在训练时读了海量文字，把知识“记”在了大脑里，但一旦训练结束，它就再也无法主动更新自己的知识库了。如果你问它一件最近发生的事，它要么不知道，要么胡编乱造。

RAG的出现解决了这个问题。它的核心思路是：在AI回答问题之前，先让一个“助理”去外部文档库里查相关资料，把查到的内容递给AI，AI再基于这些新鲜资料生成答案。这个过程就像考试时允许你查参考书——有了参考资料，答题质量自然大幅提升。

传统的RAG是“静态”的，流程固定且简单：查一次资料，然后生成答案，完事。但对于需要多步推理的复杂问题，查一次往往远远不够——你需要根据第一次查到的内容，再去查第二次、第三次，逐步拼凑出完整的证据链。这种“边想边查、边查边想”的动态模式，就是所谓的“智能体RAG”（Agentic RAG）。

GRASP要解决的，正是如何让AI在这种动态多步检索过程中，做出更聪明的决策。

三、GRASP的核心设计：三把不同的“查资料”钥匙

GRASP给AI配备了三种不同的检索工具，它们各司其职，相互配合，就像一个侦探团队里的不同专家。

第一种工具叫做“语义搜索”。这种搜索不要求你知道确切的词语，它靠的是“意思相近”来匹配内容。就好比你告诉图书管理员“我想找一本讲人类为什么会做梦的书”，管理员会给你推荐心理学、神经科学等相关书目，即便那些书名里根本没有“做梦”这两个字。语义搜索擅长的是宏观的、概念性的探索——当你还不确定答案在哪里时，先撒一张大网。

第二种工具叫做“关键词搜索”。这种搜索非常精准，它要求文档里必须出现你指定的词语才算匹配。就像你告诉图书管理员“我要找书名里有'Rihanna'的书”，只有书名精确包含这个词才会出现在结果里。关键词搜索擅长的是锁定具体的人名、地名、专有名词——当你已经知道自己要找什么时，用它来精确定位。

第三种工具叫做“阅读段落”。前两种工具返回的是简短的“摘要片段”，就像图书馆的检索系统只给你看书名和简介。但有时候，一个简短的片段不足以说明问题，你需要把整段完整的原文读一遍，才能确认细节、建立上下文联系。这就是“阅读段落”工具的用途——当你发现某个片段“看起来很有希望”时，立刻调出它所在的完整段落，仔细核实。

这三种工具的关键创新之处在于：它们操作的“粒度”是不同的。语义搜索和关键词搜索返回的是句子级别的内容，而阅读段落则返回完整的段落。通过这种设计，AI可以先看“摘要”，确认相关后再读“全文”，避免一开始就把大量无关的长文本塞进自己的思考窗口里，干扰判断。

四、如何教会AI什么时候用哪把“钥匙”？——强化学习的妙用

设计好三种工具还不够，更难的是：怎么教AI学会在正确的时机、用正确的工具、检索正确粒度的内容？

研究团队采用了一种叫做“强化学习”的训练方法。可以把这个过程理解为训练一只导盲犬。你不可能逐字逐句地告诉它每一步该怎么做，但你可以在它做对了的时候给它奖励，做错了的时候不给奖励，让它通过反复试验自己摸索出正确的行为模式。

在GRASP的框架里，AI（也叫“智能体”或“策略”）会针对同一个问题，尝试多条不同的“检索路径”，每条路径就是一次完整的推理过程，包括中间的每次检索动作和最终给出的答案。训练结束后，每条路径都会被打分，AI通过比较不同路径的得分来调整自己的行为策略，逐渐学会哪种做法更有效。

打分的标准设计得相当细致，涵盖四个维度。

最重要的是“答案准确性”——最终给出的答案是否正确？这是最核心的评判标准，研究团队用的是“词语重叠度”这种客观指标来衡量，满分1.0分。

其次是“有根据的阅读”——AI在使用“阅读段落”工具时，是否真的在读与答案相关的“黄金段落”，而不是在读无关的干扰文章？如果AI频繁地去读那些与问题无关的段落，会浪费珍贵的“思考空间”，这种行为会被扣分。这项指标满分0.7分，是所有辅助指标中权重最高的。

第三个维度是“互补搜索”——AI在整个推理过程中，是否同时使用了语义搜索和关键词搜索这两种工具，并且两种工具都至少找到了一篇相关的“黄金文章”？如果AI只会反复用同一种工具，说明它没有学会灵活调配两种检索信号，这种行为会得0分。这项指标满分0.15分。

第四个维度是“步骤效率”——AI在给出正确答案的前提下，是否用了尽可能少的步骤？这是为了防止AI养成“漫无目的地乱查”的坏习惯。但有一个重要的前提：只有当最终答案足够正确时（准确度超过50%），效率奖励才会发放，否则AI可能会学会“少查两步、随便猜个答案”这种投机取巧的策略。这项指标同样满分0.15分。

四项得分加起来，总分上限是2.0分——其中答案准确性占1.0分，所有辅助项合计1.0分。这种设计确保了答案质量始终是最优先的目标，辅助项只起引导作用，而不会让AI去“钻空子”刷高某一个单项指标来换取更高总分。

具体的训练算法采用的是一种叫做GRPO（组相对策略优化）的方法。简单说，就是对同一个问题生成一批不同的解答路径，然后通过互相比较这批路径的好坏来更新AI的策略，而不是依赖一个绝对的评分标准。这种“相对比较”的方式在计算上更稳定，训练效果也更好。

五、实验设置：在真实的“多跳”问题集上接受考验

研究团队选用了三个公认的多跳问答基准数据集来检验GRASP的表现，分别是HotpotQA、2WikiMultiHopQA和MuSiQue。这些数据集的共同特点是：每道题都需要至少两步推理才能得出答案，而且题库里同时存在“正确支撑段落”和大量“干扰段落”，考验AI在信息噪声中精准定位证据的能力。

GRASP的主模型基于Qwen2.5-3B-Instruct——一个参数量为30亿的开源模型，规模算不上大，这对于一个需要在有限“大脑容量”下做复杂多步推理的任务来说是相当有挑战性的。研究团队在HotpotQA的训练集上训练GRASP，然后把训练好的模型直接拿去测试其他两个数据集，以此检验模型的“跨数据集泛化能力”——即在没见过的新场景下的表现。

语义检索器使用的是Qwen3-0.6B，关键词检索器使用的是经典的BM25算法，每次检索返回排名前5的结果。

对比的基线方法涵盖了多个类型。单步检索类基线分别测试了纯关键词检索、纯语义检索和混合检索（融合两者再用重排模型筛选）三种配置。多步检索类基线包括：IRCoT（一种通过思维链提示来引导多步检索的方法，使用GPT-5 mini这个强大的商业模型）、Search-R1（一种基于强化学习训练的单工具语义检索智能体，也是3B规模的开源模型，有PPO和GRPO两个版本）。此外还有一个“基础版”对比项：在没有经过强化学习训练的情况下，直接用GRASP的三工具提示模板让原始模型作答，以此衡量RL训练本身带来的提升。

六、实验结果：GRASP在各项指标上的全面表现

先看检索召回率，也就是“是否找到了所有答案所需的关键文章”。这是一个非常重要的前置指标——如果该找的文章根本没找到，答案自然不可能正确。

单步检索方法中，混合检索的表现最好，在HotpotQA上的召回率达到0.86，明显优于纯关键词检索的0.61和纯语义检索的0.73。这说明两种检索信号确实是互补的，合并使用比任意一种都强。但即便是最强的混合检索，也只有0.86的召回率，意味着每七道题里就有一道的关键证据没有被找到。

多步检索方法里，GRASP在三个数据集上都拿到了最高的召回率，分别是0.90、0.90和0.70，大幅领先于其他所有方法。排名第二的是IRCoT，得益于GPT-5 mini强大的推理能力，它生成的中间查询质量更高，召回率也相当不错。但GRASP是一个仅有3B参数的开源模型，能在召回率上超越使用顶级商业模型的IRCoT，足以说明其检索策略的有效性。

最能说明问题的是“基础版”的表现：同样的三工具提示模板，不经过RL训练，召回率只有0.36、0.27、0.24——比单步检索还要差得多。这意味着，仅仅“给AI三个工具”是远远不够的，关键在于通过强化学习让它学会如何正确使用这三个工具。

再看问答准确率，研究团队使用了三种指标：精确匹配（答案必须一字不差）、词语级F1分（部分匹配也计分）以及“AI法官”评分（用GPT-5 mini来判断答案是否在语义上正确）。

在HotpotQA上，GRASP的精确匹配率达到0.53，F1分达到0.66，AI法官评分达到0.71。相比之下，最强的单步方法（混合检索）只有0.37、0.48、0.56，Search-R1（GRPO版）是0.45、0.56、0.58。GRASP在所有三个数据集的几乎所有指标上都是最优或接近最优的。

有一个有意思的对比值得特别提出：IRCoT在“AI法官”这个指标上往往得分不低（比如在HotpotQA上达到0.63），但它的精确匹配和F1分却比Search-R1更低。这说明IRCoT生成的答案在语义层面上是靠谱的，但表达方式比较随意，和标准答案的措辞对不上，所以在字面匹配指标上吃了亏。相比之下，通过强化学习训练的系统更善于生成措辞精准的答案。

七、AI自发“学会”了人类读书的技巧

研究团队对GRASP训练完成后的行为进行了深入分析，发现了一些非常有趣的现象。

他们把AI的整个推理轨迹看作一个“行为序列”，统计了不同工具之间的切换模式。结果显示，GRASP形成了一套相当规律的行为逻辑，让研究者联想到认知科学家描述的“人类信息觅食”策略。

具体来说，AI往往这样展开推理：先用语义搜索广泛探索，找到一些与问题相关的候选段落。发现某个片段“看起来有希望”之后，立刻用“阅读段落”工具读完整段，确认细节、提取关键实体（比如从“Numb是Rihanna专辑里的歌”这个片段中，确认《Unapologetic》属于Rihanna）。拿到这个“桥接实体”后，再用关键词搜索精确锁定与这个实体直接相关的文档（比如搜索“Eminem vocals Unapologetic”）。如果关键词搜索结果不够理想，就退回到语义搜索，换一个更宽泛的查询方式重新出发。如果关键词搜索找到了一个“看起来靠谱”的结果，就再用一次阅读段落工具核实全文，然后给出最终答案。

研究者指出，这个模式和人类阅读专业文献时的行为惊人地相似：先快速浏览（skimming）找到大致相关的段落，再精细扫读（scanning）提取具体信息，然后针对找到的线索做精确关键词检索。这套策略完全是AI通过试错自发习得的，研究团队并没有显式地编程告诉它“你应该先语义搜索再阅读段落”。

八、消融实验：少了哪块拼图，影响有多大？

为了验证设计中每个组件的必要性，研究团队做了一系列“拆零件”实验——每次只去掉一个工具，观察性能下降幅度。

去掉关键词搜索工具后，精确匹配率从0.510降到0.498，F1分从0.631降到0.621，影响相对有限。这说明关键词搜索有贡献，但AI在某种程度上可以通过调整语义搜索来部分弥补。

去掉语义搜索工具后，精确匹配率降到0.438，F1分降到0.567，下降幅度明显更大。这与前面的行为分析一致——语义搜索是整个推理流程的“起点”，承担着宏观探索的功能，失去它会让AI在面对需要概念关联的问题时寸步难行。

最大的打击来自去掉“阅读段落”工具，也就是退回到只能看片段摘要、无法读完整段落的模式。在这种情况下，精确匹配率跌到0.388，F1分跌到0.484，远低于完整版GRASP。研究团队分析，原因在于：当AI只能看到片段而无法读完整段落时，它生成的后续查询质量会大幅下降。因为片段里出现了太多的实体名词和关系词，AI无法判断哪个才是真正值得追查的“桥接线索”，查询方向就会变得杂乱无章，往往只是在原始问题上做小修小改，而不是真正基于已找到的中间证据去构建下一步查询。

九、归根结底，GRASP说明了什么？

说到底，这项研究揭示了一个在AI问答领域长期被忽视的真相：检索不仅仅是技术问题，更是策略问题。

给AI一个检索工具，它可以查资料。给AI两个不同类型的检索工具，它能做到互补。但如果你同时给它控制“阅读深度”的工具，让它自己决定什么时候看片段、什么时候读全文，并通过强化学习训练它在不同情境下做出正确的选择，这时候它的表现会产生质的飞跃。

这对我们理解AI未来的发展方向有实际意义。当AI助手被用于回答需要多步查找的复杂问题时——比如法律研究、医学诊断支持、深度新闻调查——它绝不能只是一个“单次查询、给出答案”的简单机器。它需要像人类研究者一样，有计划地、有策略地在信息海洋中导航，既要知道何时宽泛探索，又要知道何时精确锁定，还要知道何时停下来仔细阅读。

当然，GRASP也并非没有局限。它目前依赖于标注了“黄金支撑段落”的数据集才能计算奖励信号，这在现实中并不总是容易获取的。此外，它有时还是会“过早收手”，在还没有找到所有关键证据时就给出答案，这个问题有待进一步研究。训练所用的模型规模（3B参数）也相对较小，更大的模型是否会产生不同的学习动态，目前还不清楚。

未来的研究方向非常清晰：一方面是扩展工具箱，让AI不只能“查”，还能“计算”、“比较”、“验证”；另一方面是减少对人工标注数据的依赖，探索用模型自身的一致性来替代人工标注的奖励信号；最后是让AI的检索粒度更加灵活，从单句到段落到整篇文章，根据推理需要动态调整。

对于任何在日常工作中需要借助AI做复杂信息检索的读者来说，GRASP所代表的这个方向——让AI学会更像人类一样“分层阅读、策略检索”——是非常值得持续关注的。有兴趣深入了解完整技术细节的读者，可以通过arXiv编号2607.10463查询完整论文。

Q&A

Q1：GRASP框架中的“粒度感知”具体是指什么？

A：GRASP的“粒度感知”是指AI可以自主决定检索信息的“详细程度”。具体来说，语义搜索和关键词搜索只返回句子级别的简短片段，而“阅读段落”工具可以返回完整的段落全文。AI在推理过程中会根据情况判断：这个片段已经够用了，还是需要读完整段落才能确认细节？这种“先看摘要、需要时再读全文”的分层策略，帮助AI避免在思考过程中被大量无关文本干扰。

Q2：强化学习训练在GRASP中起到了什么作用？

A：强化学习是GRASP能够有效工作的核心。实验中有一个非常说明问题的对比：同样配备三种检索工具，但不经过强化学习训练的“基础版”AI，召回率只有0.36左右，远低于单步检索。这说明仅仅“给AI工具”是不够的，必须通过强化学习让AI反复试错、从奖励信号中学会什么时候用哪种工具，才能真正发挥出多工具协同的优势。

Q3：GRASP的奖励设计为什么要同时考虑答案准确性和检索行为？

A：如果只奖励最终答案的准确性，AI可能会走弯路——比如随机猜测几个常见答案来碰运气，或者重复调用同一个工具刷高某个中间指标。通过同时奖励“有根据的阅读”（读相关段落而非干扰段落）、“互补搜索”（两种工具都找到关键证据）和“步骤效率”，研究团队引导AI学会了更健康的推理习惯，同时通过设置答案准确性不加权的上限，确保最终目标始终是答对题而非钻制度空子。