搜索

回答

在检索增强生成（RAG）系统中，原始用户查询往往存在以下问题：

口语化表达（如“那个怎么弄？”、“上次说的那个东西”）

信息不完整（缺少关键实体、时间、上下文）

歧义性强（一词多义、指代不明）

直接用这样的查询去向量数据库检索，容易导致召回结果相关性低。通过 Query 改写（Query Rewriting），可以：

补全隐含语义

消除歧义

提取/强化关键词

对齐知识库中的术语表达

从而显著提升检索阶段的召回质量（Recall）和排序相关性（Relevance），为后续生成阶段提供更可靠的事实依据。

常用的 Query 改写方法有哪些？

在实践中，我们常根据场景组合使用多种改写策略，主要包括：

查询重写（Query Rewriting）	利用 LLM 将原始问题改写为更正式、完整、无歧义的表述	通用，尤其适合对话历史缺失时
多查询生成（Multi-query Generation）	从不同角度生成多个相关查询，扩大检索覆盖面	复杂问题、多意图问题
查询分解（Query Decomposition）	将复杂问题拆解为多个子问题，分别检索后融合	多跳推理、复合条件查询
Hypothetical Document Embeddings (HyDE)	让 LLM 先生成一个“假设答案”，再用该答案去检索	提升语义匹配深度，对抗关键词 mismatch
后退提示（Step-back Prompting）	引导模型先思考“这个问题背后的原理/目标是什么”，再生成泛化查询	抽象问题、需要常识推理的场景

实际应用中，通常会组合使用：例如先做查询分解，再对每个子查询进行多路生成 + HyDE，最后融合检索结果。

补充建议

可引入用户画像/对话历史作为改写上下文

对改写结果做相关性过滤或重排序

在线上系统中加入A/B 测试，评估不同改写策略对最终答案质量的影响

这样整理后，逻辑更清晰，也体现了你对 RAG 优化的深入理解。

网友回复

我知道答案，我要回答

我有问题

私活外包