国防科技大学：当AI搜索学会"看菜单点菜"，检索效率飙升10分以上

这项由国防科技大学领导的研究发表于2026年7月，论文编号为arXiv:2607.27652，有兴趣深入了解的读者可以通过该编号在arXiv平台查询完整论文。 每个人都有过这样的经历：你走进一家陌生的餐厅，服务员递给你一本厚厚的菜单，你翻来翻去，最终挑出了两三道菜，点单之后等待上菜。整个过程清晰、有序——你知道能点什么，不能点什么，每次选择都明确落在菜单的某一行上。 现在换一种场景：同样的餐厅，但这次没有菜单，服务员让你直接用语言描述你想吃什么，然后他去厨房"尽力满足"。你说"我想吃一道有点辣的鱼"，他拿来了鱼香肉丝；你再说"不不，我要有鱼的那种"，他又拿来了红烧带鱼；你继续说"我想要清淡一点的"，他拿来了清蒸鲈鱼……每次你换一种说法，厨房就重新忙碌一次，但最终端上来的菜，其实和第一次差不多。 这个令人哭笑不得的场景，恰恰是当前主流AI搜索系统在工作时面临的真实困境。国防科技大学的研究团队发现了这个问题，并提出了一套名为"Harness-G"的全新框架，彻底重新设计了AI的"点菜方式"。 要理解这项研究的价值，需要先弄清楚当前的AI搜索智能体（也就是那种能自主上网查资料、然后回答你问题的AI系统）是怎么工作的。 以Search-R1为代表的一批AI系统，工作方式大致是这样的：给AI一个问题，它会自己想出一个搜索关键词，把结果拿回来看一看，如果觉得信息不够，再想出另一个关键词继续搜，如此往复，直到觉得信息充足为止，最后给出答案。这套流程听起来合情合理，但国防科技大学的团队在实际测量中发现了一个严重的隐患。 研究人员统计了AI系统在训练过程中的行为数据。他们发现，随着训练的推进，AI每次搜索使用的关键词确实在不断变化，表面上看起来"思维活跃、勤于探索"。然而，当研究人员仔细比对这些不同关键词最终检索到的内容时，却发现了一个令人沮丧的规律：尽管关键词的措辞在变，但实际抓取到的证据内容却越来越相似，大量重叠。 用回餐厅的比喻来说：AI不断换着说法点菜，但厨房每次端出来的，基本都是同一道菜的微小变体。这就像你说"辣的鱼"和"有点麻辣口味的鱼类菜肴"，两种说法听起来不同，但厨房处理之后，结果几乎没有区别。 研究团队将这种现象命名为"检索等价性崩塌"——用专业语言来说，就是在AI训练约进行到第30个步骤时，不同搜索路径之间产生真正不同结果的比例，已经从训练初期的86%骤降到了不足10%。换句话说，AI的搜索行为看上去多样，实则单调，绝大多数搜索尝试最终走向同一个目的地。 这个问题为什么严重？因为当前主流的AI训练方法叫做"群体相对策略优化"（GRPO），它的工作原理是：让AI对同一个问题生成多个不同版本的回答路径，然后比较哪条路径的最终答案更好，并据此指导AI学习"哪种做法更有效"。这个方法的核心前提是——不同的路径必须真正不同，产生不同的中间结果，这样比较才有意义。 一旦发生检索等价性崩塌，所有路径都走向了同样的证据堆，就相当于你本来想对比"骑车去超市"和"开车去超市"哪种更高效，结果发现两条路最后都堵在同一个路口，两条路的结果完全一样——这时候根本无从比较，训练也就失去了意义。这就是现有AI搜索系统的核心顽疾：表面的多样性掩盖了实质的单调性，学习信号随之消失。 国防科技大学的团队给出的解决思路，正是本文开头那个餐厅比喻的核心转变：把AI的搜索行为，从"用语言自由描述你想要什么"，改成"从菜单上直接挑选你想要的"。 在Harness-G框架下，整个系统的运作方式发生了根本性的改变。研究团队首先在幕后构建了一个"知识图谱"——可以把它理解为餐厅的"厨房台账"。这份台账把整个知识库里的内容拆解成三种基本单元：段落（相当于菜系）、句子（相当于具体菜品）、实体（相当于食材名称）。这三种单元之间有明确的连接关系：哪个句子属于哪个段落、哪个句子提到了哪些实体、哪些实体之间存在关联……整个知识库就这样被整理成了一张清晰可查的网络结构。 这个图谱的构建完全依赖程序化处理，包括句子拆分、命名实体识别（就是识别人名、地名、机构名等）和向量化编码。研究团队特别强调：这个过程完全不需要调用任何大型语言模型，因此构建成本极低——处理一千个词元（大约相当于几篇文章的体量）只需要0.12秒，而且分文不花。相比之下，同类竞争系统Graph-R1为了构建类似的知识图谱，需要花费大约2.81美元的API调用费用，而LightRAG、PathRAG等系统则需要花费高达4美元以上。 在这个知识图谱的基础上，Harness-G设计了一个动态菜单系统。每当AI需要做出检索决策时，系统不是让AI自己发明搜索关键词，而是向AI展示一份当前状态下的"可用选项清单"，其中包含三类动作。 第一类是"Select"（选择），相当于"把这道菜加入我的选单"——AI可以把某个当前可见的句子标记为有价值的证据，纳入自己的证据池。第二类是"Lookup"（查找），相当于"我想深入了解这种食材"——AI可以选定某个实体（比如一个人名或地名），系统会自动围绕这个实体检索更多相关内容，展示给AI看。第三类是"Answer"（回答），相当于"我点的菜已经足够了，不再添加"——AI认为已经收集了足够的证据，直接生成最终答案。此外还有一个组合动作"Answer_With"，允许AI在选定某个句子的同时立刻终止检索，一步完成"最后一块拼图"的收集与收尾。 这个设计的精妙之处在于：每个动作的目标都是明确的、有限的、可追溯的。AI不是在发明一句话，而是在一个已知的、有边界的选项池里做选择。不同的AI实例面对同一个问题，如果选择了不同的目标实体，那就真的是做出了不同的检索决定，产生了真正不同的证据路径——这才是GRPO训练所需要的"真实多样性"。 研究数据印证了这个直觉：在相同的实验条件下，使用自由关键词搜索的系统，其训练组内的"检索等价类数量"（也就是真正不同的检索路径数量）很快就从平均约2个崩塌到接近1个；而使用菜单选择机制的Harness-G，全程维持在1.5到2.5个之间，始终保留了真实的多样性。这个差异直接决定了训练能否产生有效的学习信号。 用一个更具体的场景来说明这个问题：假设一个侦探破案，第一天他找到了一个关键目击者，第二天凭借目击者的线索锁定了嫌疑人，第三天审讯嫌疑人获得了供词，最终破案。现在有人要奖励这名侦探，如果只按照"哪一步直接推动了破案"来分配奖励，那第三天的审讯动作可能得到最多的褒奖，而第一天找到目击者的关键行动却可能被忽视——因为找到目击者那一刻，案子并没有立刻有任何进展。 这正是现有AI训练系统的痛点。当AI做出一个"桥接式"的早期检索动作（比如查到了某个人物的名字，为后续的属性查找铺路），但这个动作本身并不能直接提升答案的准确性时，现有的过程奖励机制会给它很低的分数，甚至零分。于是AI就学会了"急功近利"——倾向于直接跳到最后一步的检索动作，忽视那些虽然关键但收益延迟的铺垫步骤。 第一部分叫"前沿相对优势"。每当AI面对一个信息获取决策时，系统会悄悄预演一下：如果AI选了这个选项，最终答案的正确率能提高多少？如果AI选了其他备选方案，提高多少？然后用一个冻结参数的"答案评分器"（相当于一位不会随训练改变的裁判）来量化这种差异。AI选的那个动作比其他备选方案平均好多少，它就得多少奖励。这样的好处是：奖励不是凭空给出的，而是与同一时刻、同一状态下的竞争选项相比得出的，更加公平和准确。如果菜单上所有选项都差不多，AI就得不到任何特别奖励，不会因为"做了个选择"就白捡分数；只有当AI选出了明显更优的那个选项，它才能获得可观的正向信号。 第二部分叫"溯源激活信用"。系统会记录证据之间的依赖关系：哪个早期动作"生产了"某个实体或句子，而这个实体或句子后来又被另一个动作"消费利用"了。一旦某个下游动作取得了高分，这份荣誉会沿着这条依赖链条反向传播，一直传回到最初做出铺垫的那个动作上。回到侦探的比喻：破案的荣誉不只归给审讯那一步，而是沿着"找到目击者→锁定嫌疑人→获取供词"这条链条，让每一步都分享到适当的功劳，而且越早期的铺垫步骤，越能通过链条积累多个下游成功所带来的复合奖励。 这两个组成部分的奖励都完全来自系统内部的"只读预演"，不需要额外运行新的AI推理过程，也不需要什么外部裁判，计算开销极小，只给每个训练步骤增加了大约9%到11%的时间。 Harness-G在六个标准问答数据集上接受了全面检验，这六个数据集分别是2WikiMultiHopQA、HotpotQA、MuSiQue（以上三个属于"多跳问答"，也就是需要跨越多篇文章、多个步骤才能找到答案的问题）以及Natural Questions、PopQA、TriviaQA（这三个属于"单跳问答"，答案通常在一篇文章里就能找到）。 多跳问答可以理解为"侦探式追踪题"：比如"导演了《变形记先生》这部电影的导演是哪年出生的？"要回答这个问题，AI首先得搞清楚这部电影的导演是谁（第一跳），然后再去找这个人的出生日期（第二跳）。两步信息都必须获取，缺一不可。单跳问答则简单得多，类似"法国的首都是哪里？"，答案直接就在单一来源里。 在规模较小的1.5B参数版本（可以理解为"小号模型"）上，Harness-G的平均F1分数比当时最强的竞争对手Graph-R1高出了整整10.74个百分点。F1分数是一种综合衡量答案准确性的指标，满分为100，提升10分以上在这个领域是相当显著的进步。在规模较大的3B参数版本（"大号模型"）上，Harness-G的平均F1分数同样超过Graph-R1约3.98个百分点。 更细致地看，多跳问答上的提升幅度格外突出。以3B版本为例，在2WikiMultiHopQA上，Harness-G的F1达到65.53，比Graph-R1的57.56高出约8个点；在HotpotQA上达到65.87，比Graph-R1的56.75高出约9个点；在MuSiQue上达到46.46，比Graph-R1的40.51高出约6个点。这符合直觉：多跳问答正是最需要精确、分步骤的检索决策的场景，而Harness-G恰恰把这个决策过程设计得最为清晰和高效。 与此同时，研究团队还拿Harness-G和一批基于GPT-4o-mini构建的图谱系统（GraphRAG、LightRAG、PathRAG、HippoRAG2、HyperGraphRAG）进行了横向对比。这些系统普遍需要调用昂贵的大型语言模型来提取知识图谱，单次构建就要花费数美元，且效果并不突出。Harness-G在构建成本为零的情况下，性能全面超过这些系统，这一对比更加凸显了其实用价值。 训练过程的稳定性同样令人印象深刻。在六个数据集的训练曲线上，Harness-G的训练批次F1分数持续上升，没有出现主流系统常见的"奖励崩塌"现象（即训练到一半突然大幅下降）。梯度范数（可以理解为训练过程中参数更新力度的大小，过大意味着不稳定）全程被控制在合理范围内，通常低于9。 有一个颇为反直觉的现象值得单独说明。研究团队发现，到了训练后期，Harness-G完成一次问答平均需要约3.6轮对话，比Search-R1的2.3轮和Graph-R1的2.8轮都要多。按照直觉，轮次多意味着更"啰嗦"、效率更低。 然而实际上，Harness-G每次对话回合生成的文字量却更少——平均约2500个词元，而Search-R1需要4300个，Graph-R1需要3100个。换句话说，Harness-G每步说的话少而精准，多走几步是因为每一步的动作颗粒度更细、更有针对性；而Search-R1每次输出一大段，看似言简，但质量不稳定。这就好比：一个厨师每次端上一道菜，端了四道，总共八个盘子；另一个厨师每次端上一大托盘，端了两趟，但托盘里装的东西参差不齐，有用的不多。步数多不等于效率低，关键看每一步的信息密度。 研究团队还设计了一套"换考场"测试，即在一个数据集上训练，然后去其他数据集上接受检验，专门考察模型能否把学到的能力迁移到没见过的新场景中。 在30对不同的"训练数据集→测试数据集"组合中，Harness-G赢得了其中21对，平均跨数据集F1分数从Graph-R1的44.10提升到了47.38，提升了3.29个点。特别值得一提的是，在多跳问答类型的目标数据集上，迁移增益平均高达6.45个点；在单跳问答类型上，增益仅约0.12个点。这进一步印证了结构化菜单导航的核心优势在于"多步骤推理"场景，这类场景中的能力更具通用性，可以跨领域迁移。 研究团队还做了一组完全陌生领域的零样本测试，把模型放到医学、农业、计算机科学、法律、混合领域五个专业数据集上，这些领域的训练数据完全没有出现在训练阶段。Harness-G的平均F1分数达到42.30，比Graph-R1的39.14高出约3.16个点，也超过了拥有GPT-4o-mini加持的HyperGraphRAG（38.61）。由于Harness-G的知识图谱是用程序自动构建的，换一个新领域只需要重新跑一遍程序化流程，既不需要标注数据，也不需要额外的语言模型调用，扩展到新领域的边际成本极低。 一个自然而然会出现的疑问是：Harness-G性能的提升，究竟主要来自"菜单式选择"这个设计，还是来自SNC奖励机制的改进？研究团队通过系统性的消融实验给出了清晰的答案。 实验的方法是拆分对比：保持其他条件完全相同，只改变一个变量，然后看结果的变化。结果显示，在三个多跳数据集上，仅仅把自由关键词搜索换成菜单式选择，F1分数就提升了超过17个百分点；而在难度最大的MuSiQue上，这个提升超过了35个点。这意味着界面设计本身就贡献了绝大部分的性能提升，即使完全不使用SNC奖励改进，菜单式搜索也已经比自由关键词搜索强出一大截。 然后，在菜单式搜索的基础上，再叠加SNC奖励机制，F1分数在三个多跳数据集上分别又提升了约2到4个点。进一步的细节拆分显示，"前沿相对优势"（比较同状态备选方案）和"溯源激活信用"（让早期桥接步骤获得奖励）这两个子机制，分别拿掉哪个都会导致性能下降，说明两者都有独立的贡献，缺一不可。 研究团队还专门对比了GRPO、PPO、REINFORCE++、DAPO四种不同的训练算法，发现Harness-G在所有四种算法下都能稳定收敛，不存在"只跟某一种算法配合"的局限性。此外，在Qwen2.5-3B、Qwen3.5-4B、Llama-3.2-3B三种不同底层模型上，Harness-G同样保持了稳定的高性能表现，说明这套方法具有良好的通用性，不依赖特定的模型架构。 说到底，Harness-G做的事情，是把AI在搜索和推理过程中一个长期被忽视的问题摆上了台面：搜索的"动作设计"和搜索的"奖励设计"同样重要，甚至前者的影响更为基础。当AI的每一步检索动作都是模糊的自然语言，不同的措辞可以指向同一个结果，那么无论奖励机制设计得多么精细，都在一个先天有缺陷的基础上打转。而Harness-G通过菜单化的方式把这个基础夯实之后，再叠加精细的奖励设计，两者形成了真正的协同效应。 归根结底，这项研究给出了一个相对简单但被长期忽视的洞察：与其让AI学会用更复杂的语言描述它的搜索意图，不如直接告诉它有哪些选择，然后让它从中做决定。这种思路上的转变，换来了成本极低的知识图谱、更稳定的训练过程、更强的跨领域迁移能力，以及在多跳推理题上显著提升的答案准确率。 当然，Harness-G目前仍然是一个纯文本系统，尚不能处理图片、音频等多模态内容。如何把这套结构化导航的思路延伸到多模态场景，是研究团队指出的下一步方向。对于想要深入了解技术细节的读者，可以在arXiv上通过编号2607.27652查阅完整论文，代码也已开源，可供研究人员复现和扩展。 A：传统AI搜索系统让AI自由生成自然语言关键词去检索，不同措辞往往检索到高度重叠的内容，导致训练时缺乏有效的对比信号。Harness-G把这个过程改成了"看菜单点菜"，AI只能从系统提供的有限选项中选择明确的目标实体或句子，每个选项对应真实不同的检索结果，从根本上消除了"表面多样、实质相同"的问题。 A：传统的过程奖励只看每一步动作能不能直接提升答案准确率，而多跳问题中的早期步骤（如找到关键人物姓名）本身不直接给出答案，所以得分极低。SNC记录了"哪个早期动作生产的信息被后续动作利用了"，一旦后续动作取得高分，这个分数会沿着依赖链条反向传播给早期的铺垫动作，让它们获得应得的奖励，从而训练AI学会"先找桥梁、再查属性"的多步推理模式。 A：GraphRAG、LightRAG等系统需要调用GPT-4o-mini等大型语言模型来从文本中提取知识三元组和关系标注，每处理一百万词元需要花费2至4美元以上的API费用。Harness-G的图谱构建完全依赖句子拆分、命名实体识别和向量编码这三种程序化工具，完全不调用任何生成式大模型，因此构建成本为零，处理速度也更快，每千词元只需0.12秒。