ROZA 图：通过证据中心反馈实现自我提升的近确定性RAG

语言模型智能体在每次查询时都从零开始推理，忽略其链式思考过程。结果是准确率较低且每次运行差异较大。我们引入推理图，通过结构化边持久化每个证据的链式思考。与先前通过查询相似度检索提炼策略的记忆不同，推理图实现证据中心反馈：对于每个候选项，系统遍历所有潜在的评估边，以揭示该特定项在以往运行中的判定情况。我们进一步引入检索图，为一个计划器提供持续筛选一致被拒绝候选人的能力。两者共同构成ROZA图：一个自我提升的反馈回路，其中准确率提升随金标准通过率（推理图）而规模化，效率提升随候选池重叠度（检索图）而规模化。基础模型保持冻结，所有收益均来自通过图遍历的上下文工程。我们在MuSiQue和HotpotQA上进行评估，并包含一个高重复使用的部署子集。四项发现尤为突出。（1）剂量-反应：准确率随证据轮廓覆盖率单调提升，在相同问题上以50%以上覆盖率实现+10.6pp提升（47%错误减少，$p<0.0001$；每题Spearman $\rho=+0.144$，$p<10^{-6}$，$n=1,100$）。（2）多跳扩展：4跳准确率提升+11.0pp（$p=0.0001$）。（3）跨簇预测：簇级提升由金标准通过率密度预测（$r=0.604$，$p=0.001$，$n=26$个簇）。（4）高重复Pareto优势：在最高或与最高持平的准确率同时，成本降低46%，延迟降低46%。在固定20条候选语境内，针对重复运行的每条通过决策一致性（$N=73$个配对探针，$K=10$次每次运行，两个模型家族，三个温度）提升+8至+13pp；当检索图也进行筛选时提升+12至+21pp（所有$p<0.005$）。