本次查询：多跳问答
中文解释：多跳问答
常见场景：知识图谱问答 / 复杂对话系统 / 科研文献分析
一句话解释
多跳问答是指AI需要综合多个分散的信息，经过至少两步逻辑推理才能得出最终答案的问答任务。它不同于只依赖单一信息的简单提问。
例如问“获得2023年诺贝尔物理学奖的女性科学家来自哪所大学？”模型需先查出获奖者是谁，再查其所属机构，经历两次“跳跃”推理。
为什么会被关注
传统问答系统大多只处理单跳问题，一旦涉及跨文档、跨知识的推理就力不从心。多跳问答直接反映AI的深层理解与推理能力。
大模型兴起后，多跳问答成为评测模型是否真正“懂”知识的关键标尺，也推动了检索增强生成（RAG）和知识图谱技术的融合进步。
核心逻辑
多跳问答的核心是构建一个推理链：将大问题拆解成多个子问题，每个子问题对应一次信息检索或知识查询，然后依次处理中间结果。
具体实现上，模型需要先识别出问题中缺失的“连接点”，比如实体关系、属性值，再通过多次搜索或图谱遍历逐步补齐信息，最后汇总答案。这一过程类似人类做复杂逻辑题。
常见场景
知识图谱问答：例如“特斯拉的CEO投资了哪家脑机接口公司？”需要先查找特斯拉CEO是马斯克，再查马斯克的脑机接口投资（Neuralink）。
科研文献分析：如“这篇论文引用的方法最早由哪个团队提出？”需先解析引用，再追溯原始论文的作者单位。
智能客服与教育：用户问“我上个月买的手机保修期还剩多久？”系统需先查出购买日期，再叠加当前日期和保修规则来计算。
容易混淆的点
多跳问答 ≠ 长文本理解。长文本可能包含所有信息但不需要多步推理，多跳强调碎片化信息的组合，而非文字长度。
多跳问答 ≠ 简单多轮对话。多轮对话可以重复同一主题但每次问不同问题，而多跳必须依赖前一步的答案进行下一步推理，逻辑链条更紧密。
单跳问答是它的基础单元，但模型在单跳上表现好不代表能完成多跳，后者对错误传播和中间结果记忆要求更高。