GUIDA TECNICA

Riscrittura delle query e recupero di più query

La riscrittura delle query e il recupero multi-query sono tecniche RAG che trasformano la domanda dell'utente prima della ricerca, riformulandola, suddividendola in sottodomande o generando diverse varianti e unendo i risultati.

Ascolta questa guidaNarrato dall'IA · ~3 min

In questa pagina3 minuti di lettura
  1. Panoramica
  2. Immersione profonda
  3. Implementazione nel mondo reale
  4. Il futuro della riscrittura delle query e del recupero di più query
  5. Metterlo in pratica
  6. Continua a esplorare
  7. Domande frequenti

Panoramica

Sono importanti perché gli utenti spesso pongono domande vaghe, colloquiali o composte da più parti, la cui formulazione non corrisponde ai documenti, e una query migliore può far emergere passaggi rilevanti che una singola ricerca letterale non potrebbe cogliere.

Immersione profonda

La qualità del recupero dipende fortemente dalla query. Gli utenti scrivono domande brevi, ambigue o colloquiali, mentre i documenti utilizzano il proprio vocabolario. La trasformazione delle query colma questa lacuna prima che avvenga la ricerca. La forma più semplice è la riscrittura: un LLM trasforma il messaggio dell'utente in una query di ricerca più chiara. Ciò è essenziale nelle chat a più turni, dove follow-up come "e nel 2023?" non significano nulla senza la cronologia, quindi il sistema condensa la conversazione in una query autonoma. La scomposizione divide una domanda complessa in sottodomande che possono essere recuperate separatamente, utili per confronti o domande multi-hop. Il suggerimento di fare un passo indietro, descritto dai ricercatori Google DeepMind nel 2023, pone prima una domanda più generale per recuperare i principi di base. Il recupero di più query genera diverse varianti della domanda, esegue una ricerca per ciascuna e unisce i risultati. LangChain lo ha reso popolare con il suo MultiQueryRetriever. RAG-Fusion combina più query con la reciproca fusione dei ranghi (RRF), un metodo descritto da Cormack, Clarke e Buettcher nel 2009, che assegna un punteggio a ciascun documento sommando 1/(k + rango) negli elenchi di risultati. I documenti che appaiono in alto in diversi elenchi salgono in cima senza bisogno di punteggi grezzi comparabili. Una tecnica correlata, HyDE (Hypothetical Document Embeddings, Gao e colleghi, 2022), prevede che il modello scriva una risposta ipotetica e la incorpori al posto della domanda, perché un testo a forma di risposta spesso si avvicina ai passaggi della risposta reale nello spazio di incorporamento. Idee sbagliate: più query non sono sempre migliori. Ogni variante aggiunge latenza e costi e le varianti generate in modo inadeguato possono allontanarsi dalle intenzioni dell'utente, inserendo documenti irrilevanti. La riscrittura può anche eliminare vincoli importanti come date o nomi di prodotti. Misurare il ricordo e la qualità delle risposte a domande reali prima di adottare questi passaggi.

Implementazione nel mondo reale

In un assistente chat, il follow-up "e per il personale part-time?" viene riscritto in una query autonoma come "politica sul congedo parentale per i dipendenti a tempo parziale" utilizzando la conversazione precedente.

Una domanda che confronta i prezzi di due fornitori di servizi cloud viene scomposta in ricerche separate per ciascun fornitore e i risultati vengono combinati prima della risposta.

Un bot di supporto genera quattro frasi del tipo "la mia app continua a disconnettermi", inclusi termini tecnici come scadenza della sessione e aggiornamento del token, e fonde i risultati con la fusione reciproca dei ranghi.

Un assistente di ricerca utilizza il suggerimento step-back per cercare prima il principio generale dietro una domanda ristretta, quindi recupera i dettagli specifici, fornendo al modello sia il contesto che i dettagli.

Il futuro della riscrittura delle query e del recupero di più query

Man mano che il RAG agentico si diffonde, la trasformazione delle query viene gestita sempre più dal modello che decide cosa cercare, iterando quando i risultati sembrano deboli, piuttosto che da una fase di riscrittura fissa. Ciò rende le idee sottostanti, la scomposizione, le varianti e la fusione, più importanti anche se diventano meno visibili. I miglioramenti nei modelli di incorporamento e nella ricerca ibrida riducono alcune discrepanze nel vocabolario ma non eliminano la necessità di chiarire domande ambigue o di conversazione. Ci si aspetta che i team utilizzino queste tecniche in modo selettivo, attivate quando una query sembra complessa o il recupero iniziale è debole, per bilanciare la qualità con i costi.

Metterlo in pratica

Perché è importante

  • Costo e budget. Le decisioni relative all'architettura determinano prestazioni e costi operativi per anni.
  • Decisioni più chiare. La formazione tecnica aiuta i team a scegliere lo stack giusto, non solo quello più nuovo.
  • Controllo di qualità. Migliori scelte ingegneristiche riducono gli incidenti legati all’affidabilità nella produzione.

Attenzione

  • L'ottimizzazione di un benchmark può nascondere debolezze di sistema più ampie.
  • I costi delle infrastrutture e della manutenzione sono spesso sottostimati.
  • Le lacune in termini di sicurezza e osservabilità possono aumentare man mano che i sistemi diventano più complessi.

Prossimi passi

  1. Definire obiettivi di latenza, qualità e costi prima dell'implementazione.
  2. Benchmark in condizioni di carico e dati realistiche.
  3. Monitoraggio dello strumento per errori, deriva e impatto sull'utente.
  4. Preparare percorsi di rollback e risposta agli incidenti prima della scalabilità.

Continua a esplorare

Newsletter gratuita

Ricevi il briefing quotidiano sull'IA

Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.

Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.

Mettiti alla prova

Take the Query Rewriting and Multi-Query Retrieval quiz

Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.

Inizia il quiz

Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione

Domande frequenti

Cos'è la riscrittura delle query e il recupero di più query?

La riscrittura delle query e il recupero multi-query sono tecniche RAG che trasformano la domanda dell'utente prima della ricerca, riformulandola, suddividendola in sottodomande o generando diverse varianti e unendo i risultati. Sono importanti perché gli utenti spesso pongono domande vaghe, colloquiali o composte da più parti, la cui formulazione non corrisponde ai documenti, e una query migliore può far emergere passaggi rilevanti che una singola ricerca letterale non potrebbe cogliere.

Perché la riscrittura delle query è particolarmente importante nella chat multiturno?

Un seguito del tipo "e nel 2023?" necessita che la cronologia delle conversazioni diventi un'utile query autonoma.

Quale tecnica suddivide una domanda di confronto in ricerche separate per ciascun elemento confrontato?

La scomposizione suddivide le domande complesse o composte da più parti in sottodomande recuperate separatamente.

Che cosa fa la richiesta di passo indietro?

Il suggerimento di fare un passo indietro, da parte dei ricercatori Google DeepMind, recupera il contesto generale prima dei dettagli specifici.

Nella fusione reciproca dei ranghi, come viene calcolato il punteggio di un documento?

RRF somma 1/(k + rango) su ogni elenco contenente il documento, premiando i documenti classificati in alto in diversi elenchi.

Perché RRF è conveniente per unire la ricerca vettoriale e i risultati BM25?

Poiché RRF utilizza solo le posizioni in classifica, può combinare elenchi i cui punteggi grezzi non sono comparabili.