从自己的错误中检索：on-policy 训练让多跳 RAG 检索器学会纠错

论文提出 on-policy state training，让多跳 RAG 检索器基于自身检索错误更新编码器并学习恢复。仅用 gold history 训练的小型链式嵌入检索器无需调用语言模型，已优于图方法、可媲美搜索 agent；测试至第三步时，约一半以上状态含错误段落，易漏掉缺失的 gold passage。