💬 NLP

Only Ask What You Don't Know: Grounded Delta Planning for Efficient Multi-step RAG

Het artikel introduceert Grounded Delta Planning RAG (GDP-RAG), een framework dat de efficiëntie en nauwkeurigheid van multi-hop vraagbeantwoording verbetert door plannen te funderen in voorlopige retrieval en de berekening uitsluitend te richten op informatieverschillen, waardoor het een state-of-the-art prestatie bereikt met aanzienlijk lagere kosten dan bestaande methoden.

Oorspronkelijke auteurs: Wei-Chieh Chou, Xuanjun Chen, Jian-Ren Lin, Claire Lin, Hung-yi Lee, Jyh-Shing Roger Jang

Gepubliceerd 2026-06-23

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Wei-Chieh Chou, Xuanjun Chen, Jian-Ren Lin, Claire Lin, Hung-yi Lee, Jyh-Shing Roger Jang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een complex mysterie probeert op te lossen, zoals uitzoeken wie de koekjes uit de pot heeft gestolen. Je hebt een enorme bibliotheek vol boeken (het internet) om je te helpen, maar je kunt ze niet allemaal tegelijk lezen.

De meeste huidige AI-systemen proberen dit op één van de twee manieren op te lossen, en beide hebben problemen:

De "Stap-voor-stap" Detective: Ze stellen een vraag, lezen een boek, stellen een andere vraag, lezen een ander boek, enzovoort. Het probleem? Ze raken vaak in de war door de enorme hoeveelheid papier die ze hebben opgestapeld, of ze maken een kleine foutje in een vroeg stadium dat de hele onderzoeksfase verpest.
De "Overplanner": Ze gaan zitten en schrijven een gigantisch, rigide plan voordat ze überhaupt naar een boek kijken. Ze plannen misschien om vijf verschillende boeken te controleren, zelfs als het antwoord al in het eerste boek staat dat ze pakten. Dit verspilt tijd en geld.

De Nieuwe Oplossing: "Grounded Delta Planning" (GDP-RAG)

De auteurs van dit paper stellen een slimmere manier voor om als een detective te handelen. Ze noemen het Grounded Delta Planning. Denk aan dit als een "Eerst-kijken-vraag-alleen-wat-je-nodig-hebt"-strategie.

Zo werkt het, met een eenvoudige analogie:

1. De "Snelle Blik" (Preliminary Retrieval)

Voordat de detective een enkele vraag schrijft, doet hij een snelle, brede scan van de bibliotheekplanken om een paar relevante boeken te pakken.

Waarom? Zodat hij niet vanaf nul hoeft te beginnen. Hij weet welke informatie er al op de tafel ligt.

2. De "Gap Finder" (Delta Planning)

In plaats van een plan te schrijven om alles te vinden, kijkt de detective naar de boeken die hij net heeft gepakt en vraagt zich af: "Wat ontbreekt er?"

Als de boeken hem al vertellen dat "De hond de koekjes heeft gepakt", hoeft hij niet meer te vragen naar de hond.
Hij schrijft alleen vragen op voor de Delta (∆) — de specifieک stukjes informatie die nog ontbreken.
Het resultaat: Hij slaat de vragen over die hij niet nodig heeft om te stellen. Dit is als het snoeien van een boom; je knipt de dode takken (overbodige vragen) eraf zodat de boom sneller en sterker groeit.

3. Het "Skeletplan" (Skeletal Trajectory)

De detective schrijft een heel kort, slank plan. Maar hier komt het slimme gedeelte: naast elke vraag die hij wel stelt, voegt hij een klein briefje toe met: "Ik weet al dat X uit mijn snelle blik."

Dit zorgt ervoor dat hij, terwijl hij dieper in het onderzoek duikt, de feiten die hij vroeg heeft gevonden, niet vergeet. Het houdt het hele verhaal verbonden.

4. De "Dubbelcheck" Loop

Zodra hij begint met het stellen van zijn specifieke vragen, vertrouwt hij niet zomaar op het eerste antwoord. Hij gebruikt een driestappenloop:

Act (Handelen): Stel de vraag en krijg een antwoord.
Review (Beoordelen): Controleer dat antwoord dubbel tegenover nieuw bewijs om te controleren of het waar is.
Update (Bijwerken): Als hij iets nieuws heeft gevonden, past hij zijn plan voor de volgende stap aan.

Waarom is dit een big deal?

Het paper testte deze methode op drie moeilijke puzzel-datasets (HotpotQA, 2WikiMultiHopQA, en MuSiQue). Dit is wat ze vonden:

Slimmer, niet harder: De nieuwe methode behaalde de hoogste nauwkeurigheid (60,63%) vergeleken met alle andere methoden. Het loste de puzzels beter op.
Goedkoper: Omdat het minder vragen stelde en minder onnodige pagina's las, kostte het 22% minder om uit te voeren dan de op één na beste methode (PAR-RAG) en 68% minder dan een complexe methode genaamd KnowTrace.
Geen trade-off: Normaal gesproken moet je kiezen tussen nauwkeurig zijn of goedkoop zijn. Deze methode slaagde erin om beide te zijn: zowel de meest nauwkeurige als de meest efficiënte.

In een notendop:
Stel je voor dat je een maaltijd kookt.

Oude methoden proeven de soep ofwel elke seconde (te traag), ofwel schrijven ze een recept voor 50 ingrediënten voordat ze hebben gecontroleerd wat er in hun koelkast zit (verspillend).
GDP-RAG kijkt eerst in de koelkast, ziet wat er al is, en schrijft dan een recept alleen voor de ingrediënten die hij nog mist. Je kookt sneller, geeft minder geld uit en de maaltijd smaakt beter.

Het paper concludeert dat door zich alleen te concentreren op de "ontbrekende stukjes" (de delta) en het plan eerst te funderen in echt bewijs, AI complexe, meerstaps problemen veel efficiënter kan oplossen zonder aan nauwkeurigheid in te boeten.

Technische Samenvatting: Grounded Delta Planning voor Efficiënte Multi-step RAG

Probleemstelling

Multi-hop vraagbeantwoording (QA) blijft een aanzienlijke uitdaging voor Retrieval-Augmented Generation (RAG) systemen. Bestaande benaderingen vallen over het algemeen uiteen in twee categorieën, die beide kritieke beperkingen kennen:

Stapsgewijze methoden (bijv. ReAct, Self-Ask): Deze weven retrieval en redenering dynamisch door elkaar. Hoewel flexibel, lijden ze aan het "lost-in-the-middle"-probleem door context-overloop en versterken ze foutpropagatie, waarbij vroege fouten door het hele redeneerproces cascade effecten veroorzaken.
Plan-gebaseerde methoden (bijv. ReWOO, PlanRAG): Deze construeren statische globale plannen vóór de uitvoering om substappen te isoleren en cascade-fouten te verminderen. Ze vertrouwen echter vaak uitsluitend op parametrische kennis om plannen te genereren, wat leidt tot over-planning (het genereren van redundante subqueries voor informatie die al beschikbaar is) of under-planning (het missen van noodzakelijke afhankelijkheden). Bovendien creëert het strikt volgen van rigide plannen efficiëntieproblemen naarmate de kosten van elke uitvoeringstap substantieel worden.

De kernuitdaging is het ontwerpen van een framework dat foutpropagatie en context-overloop vermijdt, terwijl de computationele kosten worden geminimaliseerd door redundante redeneerstappen te elimineren en ervoor te zorgen dat er geen cruciale informatie wordt gemist.

Methodologie: Grounded Delta Planning RAG (GDP-RAG)

De auteurs stellen GDP-RAG voor, een plan-gebaseerd framework dat het planningsparadigma verschuift van het genereren van een volledige redeneerketen naar het targeten van enkel de informatie-delta ( $\Delta$ ) — de specifieke kennis die ontbreekt na een initiële retrieval. Het framework werkt via drie onderscheidende fasen:

1. Planningsfase (Grounded Delta Planning)

In plaats van een query uitsluitend met parametrische kennis te deconstrueren, voert GDP-RAG eerst een Preliminary Retrieval uit om een set relevante documenten ( $D_{rel}$ ) te verzamelen. De planner genereert vervolgens een Skeletal Trajectory ( $T_{skel}$ ) gebaseerd op drie ontwerpkeuzes:

Grounding: De planner is geconditioneerd op $D_{rel}$ om te begrijpen welke informatie al beschikbaar is.
Gap-aware Query Decomposition: De prompt instrueert de planner om de aanwezige informatie in $D_{rel}$ te identificeren en subqueries te genereren alleen voor de resterende hiaten ( $\Delta$ ).
Skeletal Trajectory Structure: De output is een sequentie van tupels $\langle (\theta_i, q_i) \rangle$ , waarbij $q_i$ een subquery is voor ontbrekende informatie, en $\theta_i$ (Thought) de bewijslast uit $D_{rel}$ vastlegt die relevant is voor die stap. Dit behoudt bewijs over de trajectorie heen, waardoor informatieverlies tijdens de uitvoering wordt voorkomen.

Deze aanpak levert drie structurele voordelen op:

Redeneringsstap-compressie: Stappen die nodig zouden zijn om feiten te extraheren die al aanwezig zijn in $D_{rel}$ , worden overgeslagen.
Over-planning Pruning: Redundante subqueries gebaseerd op gehallucineerde behoeften worden geëlimineerd omdat de planner aannames verifieert tegen de daadwerkelijk opgehaalde documenten.
Under-planning Refinement: De bredere semantiek van de initiële retrieval helpt bij het herstellen van afhankelijkheden die nauwere, gerichte subqueries mogelijk zouden missen.

2. Trajectorie Generatiefase

Het skeletplan wordt uitgevoerd via een iteratieve Act-Review-Update cyclus (geadapteerd van PAR-RAG):

Act: Haalt documenten op voor de specifieke subquery $q_t$ en genereert een voorlopig antwoord $\hat{a}_t$ , inclusief bronvermelding van ondersteunend bewijs.
Review: Construeert een verificatiequery om een secundaire retrieval uit te voeren, waarbij $\hat{a}_t$ wordt gecontroleerd tegen nieuwe bewijslast om feitelijke inconsistenties te corrigeren.
Update: Legt de geverifieerde tuple $(\theta_t, q_t, d_t, a_t)$ vast in het Trajectory Memory en verfijnt de volgende subquery $q_{t+1}$ op basis van de geaccumuleerde bewijslast, wat runtime-adaptiviteit garandeert.

3. Antwoordfase

Het systeem synthetiseert het definitieve antwoord $A$ door de query $Q$ te integreren met de volledig gegronde en geverifieerde trajectorie $T$ , om te garanderen dat het antwoord logisch consistent is en strikt wordt ondersteund door de opgehaalde documenten.

Belangrijkste Bijdragen

Framework Voorstel: GDP-RAG is een training-vrije, plan-gebaseerde multi-step RAG framework die eerst retrieve en vervolgens alleen plant voor de informatie-delta, wat resulteert in beknopte redeneertrajectorieën zonder kwaliteitsverlies van het antwoord.
Prestaties: Uitgebreide experimenten tonen aan dat GDP-RAG de hoogste nauwkeurigheid bereikt onder de vergeleken systemen, terwijl het tegelijkertijd aanzienlijk lagere computationele kosten behoudt.
Ablatieanalyse: De auteurs bevestigen dat elke ontwerpkeuze (preliminary retrieval, gap-aware instructies en skeletal trajectory) uniek bijdraagt aan stap-efficiëntie, kostenreductie en antwoordnauwkeurigheid.

Experimentele Resultaten

Het framework werd geëvalueerd op drie multi-hop QA benchmarks: HotpotQA, 2WikiMultiHopQA, en MuSiQue, met gebruik van GPT-4.1-mini voor generatie.

Nauwkeurigheid: GDP-RAG behaalde de hoogste algehele nauwkeurigheid van 60,63%, waarmee het de sterkste baseline, PAR-RAG (58,20%), met 2,43 procentpunt versloeg. Het presteerde ook beter dan PAR-RAG op HotpotQA (64,75% vs. 62,79%) en MuSiQue (44,53% vs. 42,70%).
Efficiëntie (Cost-of-Pass): De primaire metriek, cost-of-pass (verwachte kosten om één correct antwoord te produceren), was 0,51 voor GDP-RAG. Dit is 22% lager dan PAR-RAG (0,65) en 68% lager dan KnowTrace (1,57).
Pareto-optimaliteit: GDP-RAG bezet de "hoge nauwkeurigheid, lage kosten" hoek van de prestatieruimte. Geen enkele andere methode behaalde zowel een hogere nauwkeurigheid als lagere kosten. Goedkopere methoden (bijv. Standard RAG, IRCoT) bleven 10–23 punten achter op het gebied van nauwkeurigheid.
Stap-reductie: Grounded Delta Planning reduceerde geldige redeneerstappen met 61,0% (van 3.561 naar 1.388) en pruneerde 77,0% van de redundante stappen vergeleken met Direct Planning.

Betekenis en Claims

Het artikel claimt dat GDP-RAG de fundamentele inefficiënties van huidige multi-hop RAG-systemen aanpakt door het planningsproces fundamenteel te wijzigen. Door de planner te gronden in preliminary retrieval, vermijdt het systeem de "blinde" generatie van redeneerstappen die kenmerkend is voor zowel de foutpropagatie van stapsgewijze methoden als de over-planning van plan-gebaseerde methoden.

De auteurs benadrukken dat hun aanpak beknopte, betrouwbare redeneertrajectorieën oplevert door de computationele kracht exclusief te richten op onopgeloste hiaten. De resultaten suggereren dat "Grounded Delta Planning" systemen in staat stelt om zich aan te passen aan de complexiteit van de taak, waarbij de kosten van extra hops worden geamortiseerd terwijl een hoge dekking van noodzakelijke informatie behouden blijft. Het framework wordt gepresenteerd als een robuuste, training-vrije oplossing die zowel de economische efficiëntie als de feitelijke betrouwbaarheid van multi-step redeneren in LLM's verbetert.