QERA：先提问再回答，破解隐式上下文推理难题

当 AI 助手需要基于用户的个人网络痕迹——群聊记录、社区帖子、活动日志、修订历史——进行推理时，它们的表现往往令人失望。在 CL-bench Life 这一评估真实生活上下文学习的基准上，前沿大模型解决的任务不足五分之一。问题出在哪里？一篇新论文给出了关键洞察：用户的请求并不等于完整的需求规格。

被忽视的隐式需求：请求之外的规则

研究者发现，在 CL-bench Life 基准中，超过 80% 的评分标准与最终请求的内容词重合度不足 60%。这意味着大量关键信息隐藏在对话历史中，而非当下这一句请求里。例如，用户可能在两轮对话前才提到一套规则，又或者期望模型找出符合其标准的所有记录——这些都没有在最终请求中明说。

数据印证了这一点：当大模型直接回答时，对隐式评分标准的通过率仅为 67%，而对显式标准的通过率则达到 81%。这近 14 个百分点的差距，揭示了当前上下文学习的一个系统性盲区——模型过于关注“问答”的即时性，而忽略了“证据”的完整性。

上下文学习（In-Context Learning） 指模型不更新参数、仅依靠提示中提供的示例或信息完成任务的学习范式。它在短提示、单轮问答中表现优异，但在长对话、多轮积累的真实场景下面临挑战：相关信息分散在历史各轮，与当前请求的语义距离远，模型容易只依据最后一轮请求作答，从而遗漏早期出现的前提条件。CL-bench Life 正是为刻画这类"长跨度、多来源、需求不完整"的真实生活场景而设计的基准，因此它暴露出的问题具有代表性，而非某个模型的偶然失误。

QERA 架构：提问先于作答

针对这一痛点，研究者提出了 QERA（Question-driven Evidence Reasoning Architecture，问题驱动的证据推理架构）。其核心思想直白却有效：在回答之前，先向上下文提问。

QERA 的工作流程分为几个关键步骤：

需求清单化：它将用户请求转化为一份需求清单和类型化的信息需求，并通过代码过滤，确保这些需求忠实于用户的原始表述——避免模型自行脑补或偏离用户意图。

全对话检索与自检：QERA 从整个对话中寻找答案，然后带着代码验证过的引文再次提出同样的问题。这种“提问-验证-再提问”的循环，确保了证据的准确性和相关性。

受保护的局部修复：在形成初步答案后，QERA 还会应用一种带防护机制的局部修复，针对性地完善回答。

整个架构无需训练，也不需要预先定义的评分标准，平均每个任务仅进行约四次 LLM 调用。

推理时基线（inference-time baselines） 指不训练模型、仅在推理阶段通过提示策略或流程编排提升表现的方法，常见的有思维链、自洽性采样、自我反思与多轮自我提问等。与 QERA 对比的 PSCI、Ctx2Skill 均属此类。它们的共同局限在于：优化重点通常是"如何更好地回答当前问题"，而非"当前问题是否已涵盖全部需求"。QERA 的差异化正在于把需求识别与证据检索前置为独立阶段，而不是在生成答案后再做补救，这也解释了消融实验中收益为何集中出现在答案生成之前。

实验结果：稳定超越基线

在全部 405 个任务上，研究者用四种前沿大模型对 QERA 进行了测试。结果显示，QERA 在每一个模型上都取得了最高的解决率——平均 21.0%，而三种推理时基线中最强者的成绩为 18.2%，直接回答则为 14.6%。跨模型汇总后，QERA 显著领先所有基线。

效率方面同样可圈可点：QERA 使用的 token 数量少于 PSCI，仅为 Ctx2Skill 的 4% 到 5%。这对于实际部署意味着更低的成本和更快的响应。

消融实验进一步揭示了性能提升的来源。在 GPT-6-Luna 上的分析表明，收益在生成答案之前就已经确立：固定的回答协议贡献了 3.8 个评分点，而针对特定请求的问题贡献了 1.6 个评分点。更重要的是，这种提升集中在隐式评分标准上，事后的检查则主要精炼数值型需求。

消融实验（ablation study） 通过逐一移除或替换系统的某个组件，观察性能变化，以判断各部分的实际贡献。这里的关键在于区分"固定的回答协议"与"针对特定请求生成的问题"两类贡献：前者是通用的作答结构约束，对所有任务都起作用；后者依赖具体请求动态生成，更具针对性。结果显示前者贡献更大（3.8 个评分点），说明在长上下文任务中，一个稳定的作答与核对流程本身就能显著减少遗漏；而后者主要补足请求特有的细节。这一发现对工程实践的启示是：即便不实现完整的 QERA，为长上下文问答固定一套"先列需求、再取证据、后作答"的协议，也能获得可观收益。

启示：从“即问即答”到“先问后答”

QERA 的价值不仅在于刷榜。它指出了一个被广泛忽视的设计原则：在复杂上下文场景中，理解问题比回答问题更重要。当前的 AI 助手往往被优化为“快速响应”，但面对用户长期积累的碎片化信息时，这种模式容易漏掉关键前提。

通过将需求显式化、证据检索前置化，QERA 用极少的额外调用代价换取了更可靠的推理。对于构建个人知识助手、客服机器人或任何需要处理长对话历史的系统而言，这一思路提供了可复用的工程范式。

当然，21.0% 的绝对解决率也提醒我们，真实生活上下文学习仍是难题。但 QERA 至少证明了一件事：让模型学会“先问再答”，是通往更高准确率的一条有效路径。