多跳推理或复杂逻辑查询需要多次 RAG 时，如何优化检索编排、上下文预算、证据聚合，并处理权限隔离与知识时效性？

60 秒回答模板

多跳 RAG 不是把 topK 调大。复杂逻辑查询需要先拆成子问题，分别检索和验证证据，再聚合成最终答案，同时确保每一步都遵守权限和知识时效。 子问题拆解：将复杂问题拆成实体识别、条件查询、时间过滤、关系推理和结论生成等步骤。每一步明确需要什么证据、要访问哪个知识域、成功条件是什么，避免一次检索召回大量无关内容。 检索编排：结合关键词、向量、结构化查询、GraphRAG 或工具 API。上一跳的实体和证据可以生成下一跳 query，但要防止错误证据继续传播，必要时保留多个候选路径并延迟下结论。 上下文预算：每跳都要压缩证据，保留来源、时间、关键片段和置信度。最终上下文优先放高相关、高可信、互相支持的证据，而不是堆满 topK，避免模型在无关片段中找伪线索。 权限隔离：检索前按用户权限过滤索引或元数据，聚合时保持来源权限。不能先召回再在答案阶段遮盖，否则可能泄露标题、摘要或敏感片段，也会污染后续推理步骤。 时效和审计：证据要标注版本、更新时间和过期策略。最终答案应能回溯每个结论来自哪次检索、哪份文档和哪个时间点。 最后要把方案落到可验证的指标、失败兜底和迭代闭环上。面试里不要只讲概念名词，要说明边界、取舍、数据来源、线上观测和出问题后的回滚或人工介入。