Resumo Técnico: Planejamento de Delta Fundamentado para RAG Multi-etapas Eficiente

Declaração do Problema

O questionamento (QA) de múltiplos saltos continua sendo um desafio significativo para sistemas de Geração Aumentada de Recuperação (RAG). As abordagens existentes geralmente se dividem em duas categorias, ambas enfrentando limitações críticas:

1. Métodos Passo a Passo (ex: ReAct, Self-Ask): Estes intercalam recuperação e raciocínio dinamicamente. Embora flexíveis, sofrem com o problema do "perdido no meio" (lost-in-the-middle) devido ao transbordamento de contexto e amplificam a propagação de erros, onde falhas precoces cascateiam por todo o processo de raciocínio.
2. Métodos Baseados em Planejamento (ex: ReWOO, PlanRAG): Estes constroem planos globais estáticos antes da execução para isolar subetapas e reduzir erros em cascata. No entanto, frequentemente dependem apenas do conhecimento paramétrico para gerar planos, levando ao sobreplanejamento (gerando subconsultas redundantes para informações já disponíveis) ou subplanejamento (perdendo dependências necessárias). Além disso, seguir planos rígidos estritamente cria problemas de eficiência, conforme o custo de cada etapa de execução se torna substancial.

O desafio central é projetar um framework que evite a propagação de erros e o transbordamento de contexto, minimizando simultaneamente o custo computacional ao eliminar etapas de raciocínio redundantes e garantir que nenhuma informação crítica seja perdida.

Metodologia: RAG de Planejamento de Delta Fundamentado (GDP-RAG)

Os autores propõem o GDP-RAG, um framework de planejamento que altera o paradigma de planejamento de gerar uma cadeia de raciocínio completa para focar apenas no delta de informação ($\Delta$) — o conhecimento específico que falta após uma recuperação inicial. O framework opera através de três estágios distintos:

1. Fase de Planejamento (Planejamento de Delta Fundamentado)

Em vez de decompor uma consulta usando apenas conhecimento paramétrico, o GDP-RAG realiza primeiro uma Recuperação Preliminar para reunir um conjunto de documentos relevantes ($D_{rel}$). O planejador então gera uma Trajetória Esquelética ($T_{skel}$) baseada em três escolhas de design:

• Fundamentação (Grounding): O planejador é condicionado a $D_{rel}$ para entender quais informações já estão disponíveis.
• Decomposição de Consulta Consciente de Lacunas (Gap-aware): O prompt instrui o planejador a identificar informações presentes em $D_{rel}$ e gerar subconsultas apenas para as lacunas restantes ($\Delta$).
• Estrutura de Trajetória Esquelética: A saída é uma sequência de tuplas $\langle (\theta_i, q_i) \rangle$, onde $q_i$ é uma subconsulta para informação faltante, e $\theta_i$ (Pensamento/Thought) captura a evidência de $D_{rel}$ relevante para aquela etapa. Isso preserva a evidência ao longo da trajetória, evitando a perda de informação durante a execução.

Esta abordagem produz três vantagens estruturais:

• Compressão de Etapas de Raciocínio: Etapas que seriam necessárias para recuperar fatos já presentes em $D_{rel}$ são ignoradas.
• Poda de Sobreplanejamento: Subconsultas redundantes baseadas em necessidades alucinadas são eliminadas porque o planejador verifica suposições contra documentos recuperados reais.
• Refinamento de Subplanejamento: A semântica mais ampla da recuperação inicial ajuda a recuperar dependências que subconsultas mais estreitas e direcionadas poderiam perder.

2. Fase de Geração de Trajetória

O plano esquelético é executado via um ciclo iterativo de Agir-Revisar-Atualizar (adaptado de PAR-RAG):

• Agir (Act): Recupera documentos para a subconsulta específica $q_t$ e gera uma resposta provisória $\hat{a}_t$, citando evidências de suporte.
• Revisar (Review): Constrói uma consulta de verificação para realizar uma recuperação secundária, cruzando $\hat{a}_t$ com novas evidências para corrigir inconsistências fatuais.
• Atualizar (Update): Consolida a tupla verificada $(\theta_t, q_t, d_t, a_t)$ na Memória de Trajetória e refina a próxima subconsulta $q_{t+1}$ com base na evidência acumulada, garantindo adaptabilidade em tempo de execução.

3. Fase de Resposta

O sistema sintetiza a resposta final $A$ integrando a consulta $Q$ com a trajetória totalmente fundamentada e verificada $T$, garantindo que a resposta seja logicamente consistente e estritamente suportada pelos documentos recuperados.

Principais Contribuições

1. Proposta de Framework: O GDP-RAG é um framework de RAG de múltiplas etapas, baseado em planejamento e livre de treinamento, que recupera primeiro e planeja apenas para o delta de informação, gerando trajetórias de raciocínio concisas sem sacrificar a qualidade da resposta.
2. Desempenho: Experimentos extensos demonstram que o GDP-RAG alcança a maior precisão entre os sistemas comparados, mantendo custos computacionais significativamente menores.
3. Análise de Ablação: Os autores confirmam que cada escolha de design (recuperação preliminar, instruções conscientes de lacunas e trajetória esquelética) contribui unicamente para a eficiência de etapas, redução de custo e precisão da resposta.

Resultados Experimentais

O framework foi avaliado em três benchmarks de QA de múltiplos saltos: HotpotQA, 2WikiMultiHopQA e MuSiQue, utilizando GPT-4.1-mini para geração.

• Precisão: O GDP-RAG alcançou a maior precisão geral de 60,63%, superando o baseline mais forte, PAR-RAG (58,20%), por 2,43 pontos percentuais. Também superou o PAR-RAG no HotpotQA (64,75% vs. 62,79%) e no MuSique (44,53% vs. 42,70%).
• Eficiência (Custo-por-Passagem): A métrica principal, custo-por-passagem (custo esperado para produzir uma resposta correta), foi de 0,51 para o GDP-RAG. Isso é 22% menor que o PAR-RAG (0,65) e 68% menor que o KnowTrace (1,57).
• Otimalidade de Pareto: O GDP-RAG ocupa o canto de "alta precisão, baixo custo" do espaço de desempenho. Nenhum outro método alcançou simultaneamente maior precisão e menor custo. Métodos mais baratos (ex: RAG Padrão, IRCoT) ficaram atrás por 10–23 pontos de precisão.
• Redução de Etapas: O Planejamento de Delta Fundamentado reduziu as etapas de raciocínio válidas em 61,0% (de 3.561 para 1.388) e podou 77,0% das etapas redundantes em comparação ao Planejamento Direto.

Significância e Alegações

O artigo afirma que o GDP-RAG aborda as ineficiências fundamentais dos atuais sistemas de RAG de múltiplos saltos ao alterar fundamentalmente o processo de planejamento. Ao fundamentar o planejador na recuperação preliminar, o sistema evita a geração "cega" de etapas de raciocínio que caracteriza tanto a propagação de erro passo a passo quanto o sobreplanejamento baseado em planos.

Os autores enfatizam que sua abordagem produz trajetórias de raciocínio concisas e confiáveis, focando o cálculo exclusivamente em lacunas não resolvidas. Os resultados sugerem que o "Planejamento de Delta Fundamentado" permite que os sistemas se adaptem à complexidade da tarefa, amortizando o custo de saltos adicionais enquanto mantém uma alta cobertura de informações necessárias. O framework é apresentado como uma solução robusta e livre de treinamento que melhora tanto a eficiência econômica quanto a confiabilidade factual do raciocínio de múltiplos passos em LLMs.