自适应 RAG 通过置信度、相关性、支持度和检索质量等信号决定何时检索或纠正证据。在多步检索中，这些局部信号需要合并为对当前证据支持情况、缺失部分以及后续动作的持续视图。现有方法往往把信号当作独立触发器，导致证据状态在整个推理轨迹中碎片化，本文称之为证据状态碎片化问题。为此我们提出 BELIEFRAG，一个闭环控制器，显式维护充分性、可靠性、冲突、不确定性、证据缺口和获取成本等状态，并在检索、查询改写、验证、回答、停止和放弃之间做选择。实验在六个问答基准上使用 gpt-oss-120b，BELIEFRAG 达到平均 token $F1$ 0.572，耗费 3.89k token/问，优于固定迭代检索的 0.555 $F1$，且节省 39% token。相同的质量‑成本优势在 Qwen3-32B 上也得到验证，分别为 0.552 与 0.523 $F1$，节省 35% token。进一步分析表明，主要收益来自纠错式再检索而非单纯剪枝，部分信念维度冗余，校准后的可回答性是最关键的操作因素。校准提升了跨证据源阈值的稳定性，但源迁移仍可能使同一决策信号失效。
点评：BELIEFRAG 展示了通过显式状态管理提升自适应 RAG 效率的可行路径，尤其在降低 token 消耗的同时保持或提升回答质量，为后续多模态或跨域检索提供了参考。