RAG核心技术：Query改写

RAG核心技术：Query改写

为什么要进行Query改写

1. 解决“语义鸿沟”：用户偏口语化的问题和文档中的专业术语不一致，检索时往往会漏掉关键文档。
2. 解决“上下文缺失”：多轮对话中，用户可能会使用夹杂着代词（它，这个，那个）的问题，LLM不知道具体指代什么。
3. 拆解“复杂问题”：当用户的问题包含多个逻辑时，一次检索很难找到包含所有答案的文档片段。

核心改写策略

1. 语义鸿沟：可以使用HyDE，先生成一个假的答案，再用这个假答案去检索真实的文档，合理使用prompt生成的假答案会比query更接近文档中的片段。
2. 上下文缺失：利用记忆管理，将用户对话总结并传入查询重写节点。
3. 复杂问题：拆解问题 -> 子问题依赖判断 -> 子问题检索 -> 合成答案

疑难点

1. HyDE：

• 不直接用用户查询生成向量检索，而是让 LLM 生成一个“假设性答案文档”用该假设文档的嵌入向量去检索真实知识库，使检索更贴近“答案语义”，而非仅匹配关键词。

2. 复杂问题拆解为子问题：

• 拆解问题：调用LLM识别问题中的实体、隐含的逻辑依赖关系，并生成一个有向无环图 (DAG)  的执行计划。输出格式: JSON (包含 sub_questions 列表, 每个含 id, query_template, depends_on 列表)
• 执行子问题：根据 DAG 的依赖关系，串行或并行地执行子问题的检索，知道所有子问题完成或发现死锁。
• 中间结果验证：如果某个子问题的检索结果为空或质量极低，不应盲目进入下一步，而应尝试修复。
• 全局上下文合成：将所有分散的子问题答案，按照最初的逻辑链条，组装成流畅的自然语言回答。