当你走进一家餐厅，服务员递上菜单，你只需在清晰的选项中挑选心仪的菜品。然而，当餐厅取消菜单，要求你用语言描述需求时，服务员可能反复端上不尽如人意的菜肴——这种令人无奈的场景，正映射出当前主流AI搜索系统面临的困境。国防科技大学研究团队提出了一种名为“Harness-G”的新型框架，通过重构AI的“点菜方式”，为这一难题提供了突破性解决方案。
传统AI搜索系统以Search-R1为代表，其工作流程类似“自由描述”：面对问题时，AI生成关键词进行检索，若信息不足则更换关键词继续搜索，直至形成答案。但研究团队发现，随着训练推进，AI虽不断调整关键词表述，实际获取的内容却高度重叠。例如，输入“辣的鱼”与“麻辣鱼类菜肴”可能指向同一结果，导致看似活跃的搜索行为实质陷入“检索等价性崩塌”——训练后期，不同路径产生有效结果的概率从初期的86%骤降至不足10%。这种“假性努力”使群体相对策略优化（GRPO）等训练方法失效，因比较不同路径的前提是结果差异，而单调的搜索路径让学习信号完全消失。
Harness-G的核心创新在于将“自由描述”转化为“菜单选择”。研究团队首先构建了一个程序化的知识图谱，将知识库拆解为段落、句子、实体三类单元，并明确它们之间的关联。例如，句子属于哪个段落、提及哪些实体、实体间如何关联等。这一过程依赖句子拆分、命名实体识别和向量化编码等技术，完全无需调用大型语言模型，构建成本极低——处理千词元仅需0.12秒且零费用，而同类系统如Graph-R1需花费约2.81美元，LightRAG等则高达4美元以上。
基于知识图谱，Harness-G设计了动态菜单系统。当AI需要检索时，系统提供三类明确选项：选择（标记当前句子为证据）、查找（围绕选定实体扩展信息）、回答（生成最终答案），并支持组合动作“Answer_With”以一步完成证据收集与回答。这种设计将搜索动作限制在已知选项池内，确保不同AI实例面对同一问题时，选择不同实体即产生真正不同的检索路径，从而维持训练所需的多样性。实验数据显示，自由关键词搜索系统的“检索等价类数量”迅速从平均2个降至1个，而Harness-G始终稳定在1.5至2.5个之间。
为解决多步骤决策中“早期铺垫步骤被忽视”的问题，Harness-G引入了“结构化非近视信用”（SNC）奖励机制。该机制包含两部分：一是“前沿相对优势”，通过比较同一状态下不同选项的潜在收益分配奖励，确保奖励公平且仅给予真正优化的选择；二是“溯源激活信用”，记录证据间的依赖关系，将下游动作的高分沿链条反向传播至早期铺垫步骤。例如，侦探破案中，找到目击者的关键行动虽不直接破案，但会通过“锁定嫌疑人→获取供词”的链条分享荣誉。这一机制使早期步骤获得复合奖励，鼓励AI进行多步推理。
在六个标准问答数据集的测试中，Harness-G展现了显著优势。在多跳问答（需跨多篇文章推理）中，1.5B参数版本的平均F1分数比Graph-R1高出10.74个百分点，3B参数版本高出3.98个百分点；在单跳问答中，性能同样领先。尤其在多跳场景下，3B版本在2WikiMultiHopQA、HotpotQA、MuSiQue上的F1分数分别超出Graph-R1约8、9、6个百分点。与基于GPT-4o-mini的图谱系统横向对比时，Harness-G在零构建成本下全面超越对手，凸显其实用价值。
训练稳定性方面，Harness-G的F1分数持续上升，未出现主流系统的“奖励崩塌”现象，梯度范数始终低于9，表明参数更新平稳。尽管训练后期对话轮次（约3.6轮）多于Search-R1（2.3轮）和Graph-R1（2.8轮），但每轮生成的词元数（约2500个）显著少于后两者（分别4300个和3100个），说明其步骤更精准、信息密度更高。
泛化能力测试中，Harness-G在30对“训练集→测试集”组合中赢得21对，跨数据集F1分数从Graph-R1的44.10提升至47.38，多跳场景增益达6.45个百分点。在医学、农业等完全陌生领域的零样本测试中，其平均F1分数达42.30，超过Graph-R1（39.14）和HyperGraphRAG（38.61）。由于知识图谱构建无需标注数据或额外模型调用，扩展至新领域的边际成本极低。
消融实验进一步验证了设计有效性。仅替换为菜单式选择，多跳数据集F1分数即提升超17个百分点（MuSiQue上超35个点）；叠加SNC机制后，分数再提升2至4个百分点。拆分实验表明，“前沿相对优势”与“溯源激活信用”缺一不可。Harness-G在GRPO、PPO等四种训练算法及Qwen2.5-3B、Llama-3.2-3B等三种底层模型上均表现稳定，证明其通用性。
目前，Harness-G为纯文本系统，研究团队正探索将其结构化导航思路延伸至多模态场景。完整论文及开源代码已发布于arXiv平台（编号2607.27652），供研究人员复现与扩展。
