InfoGatherer：基于证据检索与战略提问的原则化信息寻求
计算与语言
2026-03-09 v1
摘要
大语言模型（LLM）正在被部署于医疗分诊、法律辅助等高风险领域，常作为文档 grounding QA 系统，用户提供描述，检索相关来源，LLM 生成预测。在实际应用中，初始用户查询往往表述不完整，单次检索不足以支撑可靠决策，导致错误且自信过度的答案。虽然后续提问可获取遗漏信息，但现有方法通常依赖 LLM 隐式、非结构化的置信信号，难以确定剩余未知内容、哪些信息最为重要以及何时该停止提问。我们提出 InfoGatherer，一个从两个互补来源获取缺失信息的框架：检索到的域文档和针对用户的目标化后续提问。InfoGatherer 使用 Dempster-Shafer 信任分配模型，构建结构化证据网络，实现对来自两个来源的不完整且可能相互矛盾证据的原则化融合，避免过早趋于确定性答案。在法律和医疗任务上，InfoGatherer 在保持更少轮次的同时优于强基线方法。通过将不确定性根植于形式化证据理论而非启发式 LLM 信号，InfoGatherer 正向可信赖、可解释的决策支持迈进了关键一步，这在可靠性至关重要的领域尤为重要。
引用
@article{arxiv.2603.05909,
title = {InfoGatherer: Principled Information Seeking via Evidence Retrieval and Strategic Questioning},
author = {Maksym Taranukhin and Shuyue Stella Li and Evangelos Milios and Geoff Pleiss and Yulia Tsvetkov and Vered Shwartz},
journal= {arXiv preprint arXiv:2603.05909},
year = {2026}
}
备注
Under review