[Submitted on 29 Jul 2026]

View PDF HTML (experimental)

Abstract:多轮信息检索对话既需要多跳推理，也需要跨轮次的长程依赖跟踪。然而，现有的 RAG 系统通常将对话记忆表示为原始对话历史、重写查询或非结构化摘要，难以恢复后续查询所需的具体先前推理步骤和证据。我们的核心洞见是将对话记忆与检索对齐，通过子问题级推理轨迹来表示对话上下文。在此基础上，我们提出了 MuMu-QA——一个带有显式跨轮次子问题依赖标注的多轮多跳 RAG 基准，以及面向该场景的互补记忆框架 CMT-RAG。在每一轮中，CMT-RAG 使用状态空间轨迹生成器（其循环状态充当运行时内存）来融合最近的对话上下文，并将当前查询分解为包含检索导向子问题和对先前轨迹依赖的结构化轨迹草稿。随后，它用检索到的证据对这些草稿进行 grounding，并将它们作为持久化记忆轨迹存储在会话级 DAG 中，使未来轮次能够高效地恢复相关的先前推理和证据。在 MuMu-QA 和语料库级 RAG 基准上的实验表明，CMT-RAG 在答案准确率上持续优于五类 RAG 基线。

Submission history

From: Lang Zhou [view email]
[v1] Wed, 29 Jul 2026 04:50:41 UTC (927 KB)