让大模型“看得见”自己的推理 —— KnowTrace 结构化知识追踪式 RAG 全解析
一句话概括：把检索-推理“改造”成 动态知识图构建任务，再让 LLM 只关注这张不断精炼的小图 —— 这就是显式知识追踪的核心价值。
1. 背景：为什么 RAG 仍难以搞定多跳推理？
- 长上下文负担
传统 Iterative RAG 每轮都把新检索文本拼到 prompt，导致上下文越滚越大，模型难以在海量片段里找到关键关联。 - 无结构信息过载
文本粒度检索缺乏实体-关系显式连接，LLM 需要在隐式语义里“猜”链路，容易走弯路。 - 训练监督稀缺
仅有最终答案监督，无法告诉模型“哪些检索-生成步骤有贡献”，难以自我迭代。
2. 核心思路：结构化知识追踪（Structured Knowledge Tracing）
| 角色 | 目标 | 输出 |
|---|---|---|
| Knowledge Exploration | 把问题拆解成 实体-关系 查询 | (eᵢ¹ , rᵢ) |
| Knowledge Completion | 读取检索文本& |
