UT Dallas 提出 DeFT-RAG：将多跳问题拆分为自包含子问题并缓存答案复用

UT Dallas 提出 DeFT-RAG，通过逐步生成自包含子问题、规则更新与轻量决策模型卸载推理，改进多跳问答的检索增强。该方案会缓存并复用子问题答案以减少 LLM 调用，无需重训模型即可提升知识密集型任务准确率；在 3 跳 MuSiQue 问题中，一次性图式 RAG 仅能取回 6-10% 的完整证据链。