检索增强生成（RAG）依赖于获取支撑推理的证据，但在多跳问答中，所需段落往往通过中间实体和关系相连，需要逐步发现。传统检索方法通常只使用单一检索意图或一次性查询扩展，难以根据新检索到的证据动态调整，且容易引入噪声或冗余信息。\ \ 我们提出一种无需额外训练的多跳检索框架，核心包括证据条件探索、段落对比细化以及覆盖感知的最终排序。离线建库阶段，框架为每个段落生成对比面（contrastive facets），该面描述段落相对于语义相近邻的差异，为区分高度相似的候选提供细粒度信号。推理时，框架循环执行：①检索当前证据；②生成针对未解决信息需求的探询（probe）；③利用对比面对候选相关性进行细化；④挑选能够互补覆盖多种证据需求的段落集合。\ \ 在 MuSiQue、HotpotQA 与 2WikiMultihopQA 三个基准上实验表明，本文方法在检索质量和下游问答性能上均相较于基线实现稳定提升。\ \ 点评