推荐语
问题改写是提升RAG系统检索效果的关键技术，通过优化用户查询让知识库更精准匹配需求。
核心内容：
1. 问题改写的基本概念及其在RAG系统中的核心作用
2. 7种主流问题改写方法及其应用场景详解
3. 问题改写技术带来的检索质量提升与系统性能优化
杨芳贤
53AI创始人/腾讯云(TVP)最具价值专家
前言：问题改写是 RAG 系统中不可或缺的“桥梁”技术，它连接了“用户语言”与“知识库语言”，显著提升了检索的相关性和系统整体性能。掌握并合理应用问题改写方法，是构建高效、智能 RAG 应用的关键一步。
1、问题改写（Query Rewriting/Transformation）简介
问题改写（Query Rewriting/Transformation）是信息检索、对话系统和RAG（检索增强生成）中的关键技术，旨在对用户原始问题进行转换、分解或增强，以提高检索效果或理解准确性。
2、为什么问题改写在 RAG 中如此重要？
在原始的 RAG 流程中，用户提问后，系统直接使用该问题去检索知识库。但实际中，用户的问题可能存在：
这些问题会导致检索失败或召回不相关文档。问题改写的作用就是优化原始查询，使其更适合检索系统（尤其是向量数据库或搜索引擎）理解与匹配。
3、问题改写在 RAG 中的常见方法
| | | |
|---|
| | 通过添加同义词、近义表达或相关术语，扩大检索覆盖范围 | |
| | 将口语化、模糊表述转化为更清晰、标准的表达，提升检索准确性 | “这玩意儿好用吗？” → “这款产品用户体验如何？” |
| 对话历史融合（History Integration） | 整合上下文信息，解决对话中的指代问题，明确检索对象 | 历史：“特斯拉 Model Y”
问：“续航多少？” → “特斯拉 Model Y 续航多少？” |
| | 将复杂的多跳问题拆解为多个简单的单跳问题，分步检索后整合结果 | “比较 A 和 B 的优缺点” → 分别检索 A 的优点、A 的缺点、B 的优点、B 的缺点 |
| | 先生成假设性回答，再通过其向量检索相似的真实文档，优化检索相关性 | “光合作用的过程？” → 生成回答 → 向量化检索相似真实文档 |
| | 提取问题中的实体、类别、属性等关键信息，用于结构化过滤检索结果 | “找一部科幻类、诺兰导演的电影” → 过滤 genre = 科幻，director = 诺兰 |
| | 用不同句式或表达方式重述问题，保持语义不变的同时优化检索适配性 | “怎么安装 Python？” → “Python 的安装步骤是什么？” |
| | |
|---|
| 提高召回率（Recall） | 通过扩展或重写查询内容，扩大检索覆盖范围，匹配更多潜在相关文档 | |
| 增强语义理解 | 优化查询表述的清晰度和标准化程度，帮助检索器精准捕捉用户真实需求意图 | |
| 支持多轮对话 | 整合上下文信息，解决对话中的指代模糊或上下文缺失问题，明确检索对象 | |
| 优化向量检索效果 | 提升查询 embedding 与文档 embedding 的匹配精度，尤其适用于语义检索场景 | |
| 降低对原始查询质量的依赖 | 通过技术手段修正不规范、口语化或模糊的提问，保障检索效果稳定性 | |
5、实际应用建议
- 在 RAG 系统中，可将问题改写作为预处理模块，位于用户输入与检索器之间。
- 可结合多种策略：如先融合对话历史，再进行 HyDE 或分解。
- 注意延迟与成本权衡：使用大模型进行改写会增加推理时间，需根据场景选择轻量或复杂策略。
粤ICP备14082021号
免费POC，
零成本试错
