PAR-RAG est un nouveau framework proposé pour surmonter les limites de la génération augmentée par récupération (RAG) dans les réponses aux questions (AQ) multi-sauts. Les méthodes RAG existantes peinent à décomposer les requêtes complexes en chemins d'inférence fiables et à gérer la propagation des erreurs. Inspiré du cycle Planifier-Faire-Vérifier-Agir (PDCA), PAR-RAG sélectionne des exemples en fonction de la complexité sémantique de la question et guide la planification ascendante, générant ainsi des chemins d'inférence multi-étapes plus précis et cohérents. Cela réduit les erreurs d'inférence et le risque de convergence de chemin sous-optimale. De plus, un mécanisme de double vérification évalue et corrige les erreurs intermédiaires afin de garantir la véracité du processus d'inférence. Les résultats expérimentaux obtenus sur divers benchmarks d'AQ démontrent que PAR-RAG surpasse les méthodes de pointe existantes en termes de performances et de robustesse d'inférence.
