A continuaciónSiguiente guía
Atención multiconsulta
Idioma IA
GUÍA Técnica
Reescritura de consultas y recuperación de consultas múltiples
La reescritura de consultas y la recuperación de consultas múltiples son técnicas RAG que transforman la pregunta del usuario antes de realizar la búsqueda, reformulándola, dividiéndola en subpreguntas o generando varias variantes y fusionando sus resultados.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina3 minutos de lectura
Descripción general
Son importantes porque los usuarios a menudo hacen preguntas vagas, conversacionales o de varias partes cuya redacción no coincide con los documentos, y una mejor consulta puede revelar pasajes relevantes que una sola búsqueda literal pasaría por alto.
Buceo profundo
La calidad de la recuperación depende en gran medida de la consulta. Los usuarios escriben preguntas breves, ambiguas o conversacionales, mientras que los documentos utilizan su propio vocabulario. La transformación de consultas cierra esa brecha antes de que se realice la búsqueda. La forma más sencilla es reescribir: un LLM convierte el mensaje del usuario en una consulta de búsqueda más clara. Esto es esencial en el chat de varios turnos, donde se realizan seguimientos como "¿y en 2023?" no significan nada sin historial, por lo que el sistema condensa la conversación en una consulta independiente. La descomposición divide una pregunta compleja en subpreguntas que se pueden recuperar por separado, lo que resulta útil para comparaciones o preguntas de múltiples saltos. La indicación de paso atrás, descrita por los investigadores de Google DeepMind en 2023, plantea primero una pregunta más general para recuperar los principios básicos. La recuperación de consultas múltiples genera varias variantes de la pregunta, ejecuta una búsqueda para cada una y combina los resultados. LangChain popularizó esto con su MultiQueryRetriever. RAG-Fusion combina múltiples consultas con fusión de rangos recíprocos (RRF), un método descrito por Cormack, Clarke y Buettcher en 2009, que califica cada documento sumando 1/(k + rango) en las listas de resultados. Los documentos que aparecen en los primeros puestos de varias listas llegan a la cima sin necesidad de puntuaciones brutas comparables. Una técnica relacionada, HyDE (Hypothetical Document Embeddings, Gao y colegas, 2022), hace que el modelo escriba una respuesta hipotética y la incruste en lugar de la pregunta, porque un texto en forma de respuesta a menudo se ubica más cerca de los pasajes de respuestas reales en el espacio de incrustación. Conceptos erróneos: más consultas no siempre son mejores. Cada variante agrega latencia y costo, y las variantes mal generadas pueden desviarse de la intención del usuario y generar documentos irrelevantes. La reescritura también puede eliminar restricciones importantes como fechas o nombres de productos. Mida el recuerdo y la calidad de las respuestas a preguntas reales antes de adoptar estos pasos.
Implementación en el mundo real
En un asistente de chat, el seguimiento "¿qué pasa con el personal a tiempo parcial?" se reescribe en una consulta independiente como "política de licencia parental para empleados a tiempo parcial" utilizando la conversación anterior.
Una pregunta que compara los precios de dos proveedores de nube se descompone en búsquedas separadas para cada proveedor y los resultados se combinan antes de responder.
Un robot de soporte genera cuatro frases de "mi aplicación sigue cerrando sesión", incluidos términos técnicos como vencimiento de sesión y actualización de token, y fusiona los resultados con una fusión de rangos recíproca.
Un asistente de investigación utiliza indicaciones de paso atrás para buscar primero el principio general detrás de una pregunta específica, luego recupera detalles específicos, brindando al modelo tanto antecedentes como detalles.
El futuro de la reescritura de consultas y la recuperación de consultas múltiples
A medida que se propaga el RAG agente, la transformación de las consultas es cada vez más manejada por el modelo que decide qué buscar, iterando cuando los resultados parecen débiles, en lugar de mediante un paso fijo de reescritura. Eso hace que las ideas subyacentes, la descomposición, las variantes y la fusión, sean más importantes incluso cuando se vuelven menos visibles. Las mejoras en los modelos integrados y la búsqueda híbrida reducen algunas discrepancias de vocabulario, pero no eliminan la necesidad de aclarar preguntas ambiguas o conversacionales. Espere que los equipos utilicen estas técnicas de forma selectiva, activadas cuando una consulta parece compleja o la recuperación inicial es débil, para equilibrar la calidad con el costo.
Poniéndolo en práctica
Por qué es importante
- Costo y presupuesto. Las decisiones de arquitectura impulsan el rendimiento y los costos operativos durante años.
- Decisiones más claras. La educación técnica ayuda a los equipos a elegir la pila adecuada, no sólo la más nueva.
- control de calidad. Mejores opciones de ingeniería reducen los incidentes de confiabilidad en la producción.
cuidado con
- La optimización de un punto de referencia puede ocultar debilidades más amplias del sistema.
- Los costos de infraestructura y mantenimiento a menudo se subestiman.
- Las brechas de seguridad y observabilidad pueden crecer a medida que los sistemas se vuelven más complejos.
Próximos pasos
- Defina objetivos de latencia, calidad y costos antes de la implementación.
- Comparación en condiciones realistas de carga y datos.
- Monitoreo de instrumentos para detectar errores, deriva e impacto para el usuario.
- Prepare rutas de reversión y respuesta a incidentes antes de escalar.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Query Rewriting and Multi-Query Retrieval quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la reescritura de consultas y la recuperación de consultas múltiples?
La reescritura de consultas y la recuperación de consultas múltiples son técnicas RAG que transforman la pregunta del usuario antes de realizar la búsqueda, reformulándola, dividiéndola en subpreguntas o generando varias variantes y fusionando sus resultados. Son importantes porque los usuarios a menudo hacen preguntas vagas, conversacionales o de varias partes cuya redacción no coincide con los documentos, y una mejor consulta puede revelar pasajes relevantes que una sola búsqueda literal pasaría por alto.
¿Por qué es especialmente importante reescribir consultas en el chat de varios turnos?
Un seguimiento como "¿y en 2023?" necesita que el historial de conversaciones se convierta en una consulta independiente útil.
¿Qué técnica divide una pregunta comparativa en búsquedas separadas para cada elemento que se compara?
La descomposición divide las preguntas complejas o de varias partes en subpreguntas recuperadas por separado.
¿Qué hace la indicación de paso atrás?
La indicación de paso atrás, de los investigadores Google DeepMind, recupera antecedentes generales antes que detalles específicos.
En la fusión de rangos recíprocos, ¿cómo se calcula la puntuación de un documento?
El RRF suma 1/(k + rango) sobre cada lista que contiene el documento, premiando a los documentos clasificados en los primeros lugares de varias listas.
¿Por qué RRF es conveniente para fusionar la búsqueda vectorial y los resultados de BM25?
Debido a que RRF solo utiliza posiciones de clasificación, puede combinar listas cuyas puntuaciones brutas no son comparables.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.