多跳推理：答案要串起三条事实才拼得出来

一句话定义

多跳推理（Multi-hop Reasoning）指的是：要回答一个问题，必须先把几条分散在不同地方的事实一步步串起来，前一步的结论会成为后一步的线索，串了几次就叫几跳（hop）。

先看个例子

问："提出图灵测试的那位科学家，他的母校如今设有多少个学院？"

你需要：第一，知道图灵测试是阿兰·图灵提出的；第二，知道图灵读的是哪所大学；第三，知道这所大学现在的院系设置。三个事实来自三个地方，缺一环答案就拼不出来。

生活里的比方是寻宝纸条：第一张只写"去厨房"，厨房的第二张才写"看冰箱顶"，冰箱顶上的第三张才画着藏宝图。你没法直接跳到第三张，因为前两张决定了你要去哪儿找。

为什么单次检索必然翻车

搜索引擎和向量检索（vector retrieval）擅长的是语义相似度匹配——把你的问题和一段文本比一比像不像。但多跳题里，第二跳的查询词压根不在原始问题中。"图灵的母校"这个说法是推理过程中自己造出来的中间产物，问句原文里没有这个词。单次检索只能拿原问题去匹配，命中的顶多是第一跳的素材；后面几跳的连接词根本不在检索空间里。结果要么召回一堆"看着相关其实用不上"的片段，要么在第二跳直接断链，然后开始编。

和相邻概念的区别

关键差别在"跳"：多跳必须把中间答案回写、变成下一轮查询条件；长文本理解是"读得全"，常识推理是"想得多"，都不是串联多个独立来源。

对从业者和普通人的意义

对做AI 词典：检索增强生成">检索增强生成（RAG）的人来说，多跳是系统的分水岭。常见思路是让模型先写出推理链再逐步检索、按中间结果反复发起查询（迭代检索），或者把文档之间的关系也建进图结构里。评估时别只看最终答案对不对，还要看中间步骤能不能追溯，否则你分不清它是真串起来了还是在蒙。

对普通职场人：当你看到 AI 给出一段条理清晰的多跳答案，最该追问的是"中间那几步从哪来的"。如果它说不出中间线索的出处，这个答案的可信度就要打折。工具的具体能力边界，以官方页面为准。