待验证50% 置信观点精确时间
多跳问答需要跨多个文档或段落进行链式推理，传统RAG固定流水线往往在第二跳之后丢失上下文或引入噪声，而RPL允许模型显式编写循环与条件分支来逐跳推进。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
强化学习让AI自主编写检索程序，4B模型超越8B基线
rss2026/10/17
涉及实体
相关事实
待验证微调适合让模型学习特定输出风格或领域语气，而RAG通过外挂知识库实现即改即用，两者在工程中常结合使用70% 相似待验证提示词工程、RAG和微调适用场景不同：提示词工程作用于单次推理，成本低但规则易被忽略且无法跨会话；RAG外挂知识库适合频繁更新的事实性知识但不改变模型推理习惯；微调修改权重让模型习得一致行为模式。69% 相似待验证提示词与模型版本存在深度绑定关系，不同版本模型在RLHF训练数据、指令微调策略上的差异会导致相同提示词产生不同输出，这种现象被称为「提示词漂移」67% 相似已验证RL阶段每一步训练需要同时运行推理（生成rollout）和反向传播（更新权重），因此算力需求远高于普通微调67% 相似待验证三种RAG路线并非互斥，实际工程中可采用混合架构：用向量检索做初步召回，用图谱结构做关系推理，用编译层做知识管理和溯源66% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074711API
curl https://kongchang.com/api/v1/knowledge/claims/1074711MCP
get_claim(id=1074711)