Self-Ask 的基本工作原理是什么？

1. 结构化子问题分解

Self-Ask 通过在提示词末尾插入固定短语"Are follow up questions needed here:"来触发模型的自提问行为。模型首先判断当前信息是否足以直接回答原始问题：若认为需要补充信息，则输出一条或多条以"Follow up:"开头的子问题；每提出一个子问题后，模型随即给出"Intermediate answer:"格式的中间答案，再继续判断是否需要更多追问。当模型认为信息充分时，输出"So the final answer is:"引出最终答案。

2. 与思维链的差异

思维链（Chain-of-Thought, CoT）要求模型输出连续的推理步骤，但步骤之间没有明确的结构边界，本质上是一种自由格式的"内心独白"。Self-Ask 则强制模型将推理过程拆分为结构化的问答对，每个子问题都是独立可验证的信息单元。这种显式分解使得中间结果可以被外部工具（如搜索引擎、数据库查询）替代或校验，而 CoT 的隐式推理步骤难以与工具对接。

3. 组合性差距的缩小机制

该方法的提出源于对"组合性差距"（compositionality gap）现象的观察：大语言模型在多跳问答任务中，往往能正确回答各个子问题，却无法将这些正确答案组合成最终的复合答案。研究表明，随着 GPT-3 系列模型规模增大，单跳问答性能的提升速度远快于多跳问答，这意味着更大的模型只是记住了更多事实，并未真正改善组合推理能力。Self-Ask 通过将组合推理显式化——先拆解、再逐个求解、最后合成——有效缩小了这一差距。