Исследователи представили STEC (Search Trajectory Evidence Compression) — метод оптимизации многоходового поиска для ответов на сложные вопросы. Технология сжимает цепочки доказательств, полученные в ходе поисковых итераций, устраняя избыточную информацию. Это позволяет LLM-агентам точнее синтезировать финальные ответы, снижая уровень «галлюцинаций» и повышая релевантность данных при работе с обширными базами знаний.
В задачах многоходового поиска (multi-hop QA) агенты часто сталкиваются с проблемой накопления шума: при сборе информации из нескольких источников контекстное окно переполняется нерелевантными фрагментами. STEC внедряет механизм сжатия, который выделяет ключевые факты из каждой поисковой траектории, сохраняя только логически значимые звенья цепочки рассуждений. Это критически важно для систем, где точность ответа зависит от последовательного анализа нескольких независимых документов.
Применение метода позволяет эффективно использовать ограниченный контекст модели, не жертвуя глубиной анализа. В отличие от стандартных RAG-систем, которые просто ранжируют документы, STEC фокусируется на семантической плотности доказательств. Такой подход сокращает количество токенов, необходимых для формирования вывода, что ускоряет инференс и делает процесс принятия решений агентом более прозрачным и проверяемым.
Ключевые факты
- STEC разработан для решения проблем избыточности в многоходовых поисковых запросах (multi-hop QA).
- Метод фокусируется на сжатии цепочек доказательств (evidence compression) из нескольких поисковых траекторий.
- Технология минимизирует объем шума в контекстном окне, повышая точность синтеза ответов LLM.
- Подход оптимизирует взаимодействие между этапами поиска и логического вывода в агентных системах.