Technický PRŮVODCE
Přepisování dotazů a získávání více dotazů
Přepisování dotazů a vyhledávání více dotazů jsou techniky RAG, které transformují otázku uživatele před vyhledáním, přeformulováním, rozdělením na dílčí otázky nebo generováním několika variant a sloučením jejich výsledků.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Na této stránce3 min čtení
Přehled
Záleží na nich, protože uživatelé často kladou vágní, konverzační nebo vícedílné otázky, jejichž znění neodpovídá dokumentům, a lepší dotaz může odhalit relevantní pasáže, které by jediné doslovné vyhledávání přehlédlo.
Hluboký ponor
Retrieval quality depends heavily on the query. Users write short, ambiguous or conversational questions, while documents use their own vocabulary. Query transformation closes that gap before search happens. The simplest form is rewriting: an LLM turns the user's message into a clearer search query. This is essential in multi-turn chat, where follow-ups like "and in 2023?" mean nothing without history, so the system condenses the conversation into a standalone query. Decomposition splits a complex question into sub-questions that can be retrieved separately, useful for comparisons or multi-hop questions. Step-back prompting, described by Google DeepMind researchers in 2023, asks a more general question first to retrieve background principles. Multi-query retrieval generates several variants of the question, runs a search for each, and merges the results. LangChain popularized this with its MultiQueryRetriever. RAG-Fusion combines multiple queries with reciprocal rank fusion (RRF), a method described by Cormack, Clarke and Buettcher in 2009, which scores each document by summing 1/(k + rank) across result lists. Documents that appear high in several lists rise to the top without needing comparable raw scores. A related technique, HyDE (Hypothetical Document Embeddings, Gao and colleagues, 2022), has the model write a hypothetical answer and embeds that instead of the question, because an answer-shaped text often sits closer to real answer passages in embedding space. Misconceptions: more queries are not always better. Each variant adds latency and cost, and poorly generated variants can drift from the user's intent, pulling in irrelevant documents. Rewriting can also drop important constraints like dates or product names. Measure recall and answer quality on real questions before adopting these steps.
Real-World Implementace
V chatovacím asistentovi následuje "a co pro zaměstnance na částečný úvazek?" je přepsán do samostatného dotazu, jako je „zásady rodičovské dovolené pro zaměstnance na částečný úvazek“ pomocí předchozí konverzace.
Otázka porovnávající ceny dvou cloudových poskytovatelů je rozložena do samostatných vyhledávání pro každého poskytovatele a výsledky jsou před odpovědí spojeny.
Podpůrný robot generuje čtyři fráze „moje aplikace mě neustále odhlašuje“, včetně technických termínů, jako je vypršení platnosti relace a obnovení tokenu, a spojuje výsledky se vzájemným slučováním pořadí.
Výzkumný asistent používá výzvu o krok zpět, aby nejprve vyhledal obecný princip, který stojí za úzkou otázkou, a poté vyhledá konkrétní detaily, čímž modelu poskytne pozadí i specifika.
Budoucnost přepisování dotazů a získávání více dotazů
Jak se šíří agentní RAG, transformace dotazů je stále více řešena modelem, který rozhoduje o tom, co má hledat, iteruje, když výsledky vypadají slabě, než pevným krokem přepisování. Díky tomu jsou základní myšlenky, rozklad, varianty a fúze důležitější, i když jsou méně viditelné. Vylepšení modelů vkládání a hybridního vyhledávání snižují určitý nesoulad ve slovní zásobě, ale neodstraňují potřebu objasňovat nejednoznačné nebo konverzační otázky. Očekávejte, že týmy budou tyto techniky používat selektivně, spouštěné, když dotaz vypadá složitě nebo je počáteční načítání slabé, aby vyvážily kvalitu a náklady.
Uvedení do praxe
Proč na tom záleží
- Cena a rozpočet. Rozhodnutí o architektuře zvyšují výkon a provozní náklady po mnoho let.
- Jasnější rozhodnutí. Technické vzdělání pomáhá týmům vybrat ten správný stack, nejen ten nejnovější.
- Kontrola kvality. Lepší konstrukční volby snižují výskyt problémů se spolehlivostí ve výrobě.
Pozor na
- Optimalizace jednoho benchmarku může skrýt širší systémové slabiny.
- Náklady na infrastrukturu a údržbu jsou často podceňovány.
- Mezery v zabezpečení a pozorovatelnosti se mohou zvětšovat, jak se systémy stávají složitějšími.
Další kroky
- Před implementací definujte cíle latence, kvality a nákladů.
- Benchmark za realistických podmínek zatížení a dat.
- Monitorování chyb, posunu a dopadu na uživatele.
- Před škálováním připravte cesty vrácení zpět a reakce na incidenty.
Pokračujte v objevování
Newsletter zdarma
Získejte denní přehled o AI
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Udělejte si kvíz Přepisování dotazů a získávání více dotazů
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Často kladené otázky
Co je přepisování dotazů a získávání více dotazů?
Přepisování dotazů a vyhledávání více dotazů jsou techniky RAG, které transformují otázku uživatele před vyhledáním, přeformulováním, rozdělením na dílčí otázky nebo generováním několika variant a sloučením jejich výsledků. Záleží na nich, protože uživatelé často kladou vágní, konverzační nebo vícedílné otázky, jejichž znění neodpovídá dokumentům, a lepší dotaz může odhalit relevantní pasáže, které by jediné doslovné vyhledávání přehlédlo.
Proč je přepisování dotazů obzvláště důležité ve víceotáčkovém chatu?
Pokračování jako "a v roce 2023?" potřebuje historii konverzace, aby se stala užitečným samostatným dotazem.
Která technika rozděluje srovnávací otázku na samostatné vyhledávání pro každou porovnávanou položku?
Dekompozice rozděluje složité nebo vícedílné otázky na dílčí otázky, které lze vyhledávat samostatně.
Co dělá výzva ke kroku zpět?
Výzva o krok zpět od výzkumníků Google DeepMind získává obecné pozadí před konkrétními.
Jak se při vzájemném slučování pořadí vypočítává skóre dokumentu?
RRF sčítá 1/(k + hodnost) nad každým seznamem obsahujícím dokument a odměňuje dokumenty, které se v několika seznamech umístily vysoko.
Proč je RRF vhodné pro sloučení vektorového vyhledávání a výsledků BM25?
Protože RRF používá pouze pozice v pořadí, může kombinovat seznamy, jejichž hrubé skóre není srovnatelné.
Učte se dál
Související průvodci
Pro toto téma bylo vybráno více průvodců