إعادة كتابة الاستعلام واسترجاع الاستعلامات المتعددة

تعتمد جودة الاسترجاع بشكل كبير على الاستعلام. يكتب المستخدمون أسئلة قصيرة أو غامضة أو محادثة، بينما تستخدم المستندات مفرداتهم الخاصة. يؤدي تحويل الاستعلام إلى إغلاق هذه الفجوة قبل إجراء البحث. أبسط شكل هو إعادة الكتابة: تقوم شهادة LLM بتحويل رسالة المستخدم إلى استعلام بحث أكثر وضوحًا. يعد هذا أمرًا ضروريًا في الدردشة متعددة الأدوار، حيث تتم المتابعة مثل "وفي عام 2023؟" لا تعني شيئًا بدون التاريخ، لذلك يقوم النظام بتكثيف المحادثة في استعلام مستقل. يقوم التحليل بتقسيم السؤال المعقد إلى أسئلة فرعية يمكن استرجاعها بشكل منفصل، وهو مفيد للمقارنات أو الأسئلة متعددة القفزات. المطالبة بالتراجع، التي وصفها باحثو Google DeepMind في عام 2023، تطرح سؤالاً أكثر عمومية أولاً لاستعادة مبادئ الخلفية. يؤدي استرجاع الاستعلامات المتعددة إلى إنشاء العديد من المتغيرات للسؤال، وإجراء بحث لكل منها، ودمج النتائج. قام LangChain بنشر هذا باستخدام MultiQueryRetriever. يجمع RAG-Fusion بين استعلامات متعددة مع دمج الرتبة المتبادل (RRF)، وهي طريقة وصفها كورماك وكلارك وبوتشير في عام 2009، والتي تسجل كل وثيقة عن طريق جمع 1/(k + رتبة) عبر قوائم النتائج. المستندات التي تظهر في أعلى القائمة في العديد من القوائم ترتفع إلى الأعلى دون الحاجة إلى درجات أولية قابلة للمقارنة. هناك تقنية ذات صلة، HyDE (تضمين المستندات الافتراضية، جاو وزملاؤه، 2022)، تجعل النموذج يكتب إجابة افتراضية ويدمجها بدلاً من السؤال، لأن النص على شكل إجابة غالبًا ما يكون أقرب إلى فقرات الإجابة الحقيقية في مساحة التضمين. المفاهيم الخاطئة: المزيد من الاستعلامات ليست دائمًا أفضل. يضيف كل متغير زمن الوصول والتكلفة، ويمكن أن تنحرف المتغيرات التي تم إنشاؤها بشكل سيئ عن نية المستخدم، مما يؤدي إلى سحب مستندات غير ذات صلة. يمكن أن تؤدي إعادة الكتابة أيضًا إلى إسقاط القيود المهمة مثل التواريخ أو أسماء المنتجات. قم بقياس مستوى الاستدعاء وجودة الإجابة على الأسئلة الحقيقية قبل اعتماد هذه الخطوات.