RAG系统中，用户口语化、模糊的提问直接检索效果往往不佳。Query改写正是解决这一问题的关键，它能将原始问题转化为更匹配知识库的精确查询。这份面试模拟解答，深入探讨了从查询重述到多查询生成等多种改写方法，并分享了实际项目中的组合策略与评估思路。
智能速览
用户口语化、模糊的提问直接检索效果差，需要改写提升召回相关性。
查询重述可将口语化问题改写为规整、关键词明确的形式。
多查询生成能将宽泛问题拆解为多个子问题，并行检索以全面覆盖。
子查询分解能拆解复杂问题，分步检索再整合，使答案更结构化。
HYDE方法先生成假设性文档再用其检索，解决了问题与文档表达不对齐的痛点。
实际项目中常组合多种方法，并通过AB测试在成本、效果与延迟间寻找平衡。
精华内容
Query改写并非单一技术，而是一套根据问题特性灵活选择的策略组合。面对不同场景，如何精准地选择和应用改写方法，是考验工程师实践能力的关键。
查询重述
针对用户常见的口语化、带情绪或上下文缺失的问题，最基础的方法是查询重述。这种方法利用大模型的语言理解能力，将模糊的原始问题改写为表述更规整、关键词更明确的查询。
例如，将“那个跑起来快的模型是啥？”改写为“推荐高性能、低延迟的大语言模型”。
这样改写后，查询能更精准地匹配到技术文档或产品资料，从而提升召回文档的相关性。
多查询生成
当用户提出的问题过于宽泛时，单次检索很容易因聚焦不足而错过关键信息。多查询生成策略正是为了解决这一问题。
具体做法是，让大模型基于原始宽泛问题，生成3到5个从不同角度切入的子查询。随后，系统对这些子查询并行执行检索，并将所有召回的结果进行融合。
这种方法能显著扩大检索范围，确保信息的覆盖面更全面，避免遗漏重要维度。
子查询分解
对于包含多个信息维度或复杂逻辑的问题，子查询分解是一种有效的处理方式。它会将一个复杂问题拆解成若干个独立的、更具体的子问题，分别进行检索。
例如，一个对比两个模型优劣的复杂问题，可以拆解为“模型A的核心能力”、“模型B的核心能力”、“模型A与B的性能对比”等多个子问题。
最后，系统再将各个子问题的检索结果进行逻辑整合，形成的最终答案结构更清晰，条理也更分明。
假设性文档生成(HYDE)
HYDE提供了一种新颖的改写思路，它不直接改写用户的问题，而是让大模型先生成一段假设性的、能够回答该问题的理想文档。
然后，系统用这段生成的假设性文档作为查询向量去进行语义检索。
这种方法之所以有效，是因为它巧妙地绕开了用户问题与知识库文档之间常见的表达不对齐问题，通过生成“中间语言”，让检索的语义匹配更精准。
实战组合策略
在实际工程项目中，通常不会局限于单一方法，而是采用一套组合策略以应对多样化的查询。
一个常见的流程是：首先，用大模型对原始问题进行快速规范化；然后，基于改写后的问题生成多个变体，进行多路检索以提升召回率；接着，利用重排模型对召回的文档进行精细排序，确保最相关的结果排在前面。
对于复杂问题，则可以动态启用子查询分解或HYDE策略。整个流程需要通过A/B测试，以召回率、MRR等指标和人工评估结果为依据，持续优化，最终在业务允许的成本、效果和延迟三者之间找到最佳平衡点。
掌握RAG的Query改写，不仅是应对技术面试的关键，更是构建高效、可靠检索增强系统的核心。从单一方法到组合策略，再到持续的迭代优化，体现了技术深度与实践智慧。在未来，随着Agent技术的发展，Query改写又将如何演进？
关键评论
有面试者认为RAG已是淘汰技术，在求职中已遇不到实际应用案例。
更高级的Agentic Rag或许是比传统RAG更值得关注的方向。
有观点认为，让大模型自主调用工具检索或许是更简洁的方案。
从产品角度出发，理解技术边界比深入技术细节更重要，部分观点认为视频内容脱离实际。
