讓大模型“看得見”自己的推理 —— KnowTrace 結構化知識追蹤式 RAG 全解析

一句話概括：把檢索-推理“改造”成 動態知識圖構建任務，再讓 LLM 只關注這張不斷精煉的小圖 —— 這就是顯式知識追蹤的核心價值。

1. 背景：為什么 RAG 仍難以搞定多跳推理？

1. 長上下文負擔
   傳統 Iterative RAG 每輪都把新檢索文本拼到 prompt，導致上下文越滾越大，模型難以在海量片段里找到關鍵關聯。
2. 無結構信息過載
   文本粒度檢索缺乏實體-關系顯式連接，LLM 需要在隱式語義里“猜”鏈路，容易走彎路。
3. 訓練監督稀缺
   僅有最終答案監督，無法告訴模型“哪些檢索-生成步驟有貢獻”，難以自我迭代。

---

2. 核心思路：結構化知識追蹤（Structured Knowledge Tracing）

角色	目標	輸出
Knowledge Exploration	把問題拆解成 實體-關系 查詢	(e?1 , r?)
Knowledge Completion	讀取檢索文本&