When RAG Meets Query Planning: Logical Query Trees for Resolving Exploratory Reasoning Problems
当RAG遇上查询规划：用逻辑查询树解决探索性推理问题
🧭 复杂查询规划 · 逻辑查询树
School of Data Science, Fudan University · College of Computer Science and Artificial Intelligence, Fudan University · United Automotive Electronic Systems
将探索性推理问题建模为逻辑查询树，通过动态规划与成本模型优化多步检索与推理
📌 工作参考价值（4 点）
- 电商搜索中，用户意图模糊的复杂查询（如“适合敏感肌的平价抗老面霜”）可借鉴PlanRAG的分解与重组逻辑：将原始查询拆分为原子子查询（如“敏感肌适用”、“抗老”、“平价”），通过成本模型决定检索顺序与合并方式，减少无效检索。
- 成本模型的多维评估（如相关性、覆盖度、语义连贯性）可直接迁移到推荐系统的多路召回融合阶段，替代简单加权，动态规划出最优融合计划。
- 树状执行结构与并行节点处理机制适用于Agent工作流：不同子任务可并行检索知识库，再逐步聚合生成最终答案，低延迟场景下可开启多线程加速。
- 动态改写中间结果（rewriting）的思路可用于对话式推荐：对中间检索到的商品列表进行总结与再查询，逐步精炼用户需求。