一、单跳 RAG 的天花板：为什么它回答不了“张三的部门负责人是谁？”

在当前主流的检索增强生成（Retrieval-Augmented Generation, RAG）系统中，单跳检索（Single-hop Retrieval）是最常见的实现方式：用户提问 → 系统从文档库中检索一次最相关的片段 → 大模型基于该片段生成答案。

这种方式在回答“张三的工号是多少？”这类直接事实型问题时表现优异。但一旦问题需要多步逻辑推理，比如：

“张三的部门负责人是谁？”

系统就可能“卡壳”。原因在于：没有任何单一文档同时包含“张三”和“部门负责人”这两个信息点。通常，员工信息表记录“张三 → 技术部”，而组织架构表记录“技术部 → 李四（负责人）”。要回答这个问题，必须先查张三所属部门，再用该部门去查负责人——这就是典型的多跳推理（Multi-hop Reasoning）。

单跳 RAG 的本质局限在于：它缺乏“中间推理步骤”的能力。它只能做“检索 → 生成”，无法动态拆解问题、迭代查询、整合多源信息。

---

二、多跳检索：让 RAG 学会“分步思考”

为突破这一瓶颈，研究者提出了多跳检索（Multi-hop Retrieval）策略。其核心思想是：将复杂问题拆解为多个子问题，通过多次检索逐步逼近最终答案。

1. 迭代检索（Iterative Retrieval）

这是最直观的多跳实现方式：

1. LLM 接收原始问题（如“张三的部门负责人是谁？”）
2. LLM 生成第一个子查询：“张三属于哪个部门？”
3. 系统检索并返回结果：“技术部”
4. LLM 基于上下文生成第二个子查询：“技术部的负责人是谁？”
5. 系统再次检索，返回“李四”
6. LLM 综合所有检索结果，生成最终答案：“张三的部门负责人是李四”

关键挑战：如何防止 LLM 陷入无效循环（如反复问同一个子问题）？如何控制最大跳数以避免无限递归？

解决方案包括：

• 设置最大跳数上限（如最多3跳）
• 维护已访问查询的历史记录，避免重复
• 引入置信度判断：若某次检索结果置信度低，则提前终止

2. 图结构辅助：用知识图谱打通实体关系

另一种更结构化的思路是：将非结构化文档转化为知识图谱（Knowledge Graph）。

在图谱中：

• 节点 = 实体（如“张三”、“技术部”、“李四”）
• 边 = 关系（如“属于”、“负责”）

于是，“张三 → 属于 → 技术部 → 负责 → 李四”形成一条清晰的两跳路径。系统只需在图上执行路径查询，即可直接定位答案，无需依赖 LLM 生成中间问题。

这种方式的优势在于：

• 推理路径可解释、可追溯
• 天然避免循环（图遍历算法可控制）
• 支持复杂关系推理（如“张三的上级的上级是谁？”）

---

三、技术实现：Neo4j + LangChain + LlamaIndex 的混合架构

要落地多跳图增强 RAG，我们需要一套完整的工具链。以下是推荐的技术栈组合：

• 图数据库：Neo4j —— 高效存储实体-关系三元组，支持 Cypher 查询语言
• RAG 框架：LangChain 的 Graph RAG 模块 或 LlamaIndex 的 Graph Store
• 文档预处理：使用 NER（命名实体识别）和关系抽取模型，从原始文本构建图谱

特别值得一提的是 LlamaIndex 的 Parent-Child + Graph RAG 混合模式：

• Parent-Child 索引：保留文档的层次结构（如章节 → 段落），确保细粒度检索不丢失上下文
• Graph RAG：在实体层面建立跨文档关联，支持多跳推理

二者结合，既能保证局部语义的完整性，又能实现全局关系的连通性。

下图展示了该混合系统的整体工作流程：

---

四、评估标准：HotpotQA 与 EM/F1 指标

如何衡量多跳 RAG 系统的效果？学术界普遍采用 HotpotQA 数据集。

HotpotQA 是一个专为多跳问答设计的基准数据集，包含：

• 11 万+ 需要至少两跳推理的问题
• 每个问题提供支持事实（supporting facts）和最终答案
• 要求模型不仅答对，还要指出推理路径

评估指标主要包括：

• Exact Match (EM)：预测答案与标准答案完全一致的比例
• F1 Score：考虑部分匹配的综合指标（兼顾精确率与召回率）

在 HotpotQA 上，纯单跳 RAG 的 EM 通常低于 30%，而引入图增强或多跳策略后，SOTA 模型可达 60%+，证明该方向的有效性。

---

五、工程实践建议：避免陷阱，提升稳定性

在实际部署多跳图增强 RAG 时，需注意以下几点：

1. 控制跳数上限：建议默认设为 2~3 跳。超过 3 跳的问题往往过于复杂，需人工介入。
2. 防止检索循环：在图遍历中记录已访问节点，避免“张三 → 部门A → 张三”类死循环。
3. 图谱构建质量决定上限：若关系抽取错误（如把“张三”误连到“市场部”），后续推理全错。务必做好实体对齐与消歧。
4. 混合检索更鲁棒：纯图检索可能遗漏未建模的关系，建议图检索 + 向量检索并行，结果融合后再交由 LLM 判断。

---

六、结语：复杂问答的未来在于“结构 + 推理”

单跳 RAG 是 RAG 1.0，而多跳检索 + 图增强 RAG 正在开启 RAG 2.0 时代。它不再满足于“找到相关片段”，而是追求“理解关系、模拟推理”。

对于知识图谱工程师和复杂问答系统开发者而言，掌握这一范式，意味着你能构建出真正能处理企业级复杂查询的智能系统——比如：

• “去年 Q3 销售额最高的产品线负责人是谁？”
• “这个 bug 最初是由哪个模块引入的？”

这些问题背后，都是多跳逻辑的体现。让大模型学会“分步思考”，才是释放其真正潜力的关键。

技术永远服务于场景。当你面对的不再是简单问答，而是需要“抽丝剥茧”的复杂推理时，请毫不犹豫地拥抱多跳与图增强——这是通往高阶智能问答的必经之路。