Teknisk GUIDE
Omskriving av spørringer og gjenfinning av flere spørringer
Omskriving av spørringer og gjenfinning av flere spørringer er RAG-teknikker som transformerer brukerens spørsmål før søk, ved å omformulere det, dele det opp i underspørsmål, eller generere flere varianter og slå sammen resultatene deres.
På denne siden3 minutters lesing
Oversikt
De betyr noe fordi brukere ofte stiller vage, samtale- eller flerdelte spørsmål hvis ordlyd ikke samsvarer med dokumentene, og et bedre søk kan dukke opp relevante passasjer som et enkelt bokstavelig søk ville gå glipp av.
Dypdykk
Hentingskvaliteten avhenger sterkt av søket. Brukere skriver korte, tvetydige eller samtalespørsmål, mens dokumenter bruker sitt eget ordforråd. Søketransformasjon lukker dette gapet før søk skjer. Den enkleste formen er omskriving: en LLM gjør brukerens melding til et klarere søkeord. Dette er viktig i multi-turn chat, der oppfølginger som "og i 2023?" betyr ingenting uten historie, så systemet kondenserer samtalen til en frittstående spørring. Dekomponering deler et komplekst spørsmål i underspørsmål som kan hentes separat, nyttige for sammenligninger eller flerhoppsspørsmål. Step-back-forespørsel, beskrevet av Google DeepMind-forskere i 2023, stiller et mer generelt spørsmål først for å hente bakgrunnsprinsipper. Henting av flere spørringer genererer flere varianter av spørsmålet, kjører et søk for hver og slår sammen resultatene. LangChain populariserte dette med sin MultiQueryRetriever. RAG-Fusion kombinerer flere spørringer med reciprocal rank fusion (RRF), en metode beskrevet av Cormack, Clarke og Buettcher i 2009, som scorer hvert dokument ved å summere 1/(k + rang) på tvers av resultatlister. Dokumenter som vises høyt på flere lister stiger til toppen uten å trenge sammenlignbare råskårer. En beslektet teknikk, HyDE (Hypothetical Document Embeddings, Gao og kollegaer, 2022), lar modellen skrive et hypotetisk svar og legge inn det i stedet for spørsmålet, fordi en svarformet tekst ofte sitter nærmere reelle svarpassasjer i embedding space. Misoppfatninger: flere spørsmål er ikke alltid bedre. Hver variant legger til ventetid og kostnader, og dårlig genererte varianter kan avvike fra brukerens hensikt og trekke inn irrelevante dokumenter. Omskriving kan også slippe viktige begrensninger som datoer eller produktnavn. Mål tilbakekalling og svarkvalitet på reelle spørsmål før du tar i bruk disse trinnene.
Strategisk innvirkning
Kostnad og budsjett
Arkitekturbeslutninger driver ytelse og driftskostnader i årevis.
Tydeligere avgjørelser
Teknisk utdanning hjelper team med å velge riktig stabel, ikke bare den nyeste.
Kvalitetskontroll
Bedre ingeniørvalg reduserer pålitelighetshendelser i produksjonen.
Fremtiden for omskriving av spørringer og gjenfinning av flere spørringer
Etter hvert som agent RAG sprer seg, håndteres spørringstransformasjon i økende grad ved at modellen bestemmer hva den skal søke etter, og gjentar når resultatene ser svake ut, i stedet for ved et fast omskrivingstrinn. Det gjør de underliggende ideene, dekomponeringen, variantene og fusjonen viktigere selv om de blir mindre synlige. Forbedringer i innbyggingsmodeller og hybridsøk reduserer noe vokabularmismatch, men fjerner ikke behovet for å avklare tvetydige spørsmål eller samtalespørsmål. Forvent at teamene bruker disse teknikkene selektivt, utløst når et søk ser komplekst ut eller den første gjenfinningen er svak, for å balansere kvalitet med kostnad.
Real-World Implementering
I en chat-assistent, oppfølgingen "hva med for deltidsansatte?" er skrevet om til et frittstående søk som "foreldrepermisjonspolitikk for deltidsansatte" ved å bruke den tidligere samtalen.
Et spørsmål som sammenligner to skyleverandørers priser dekomponeres i separate søk for hver leverandør, og resultatene kombineres før svar.
En støtterobot genererer fire setninger av "appen min fortsetter å logge meg ut", inkludert tekniske termer som øktens utløp og token-oppdatering, og kombinerer resultatene med gjensidig rangeringssammenslåing.
En forskningsassistent bruker step-back-spørsmål for først å søke etter det generelle prinsippet bak et smalt spørsmål, og deretter hente spesifikke detaljer, noe som gir modellen både bakgrunn og detaljer.
Risikoer og rekkverk
Optimalisering av ett benchmark kan skjule bredere systemsvakheter.
Infrastruktur- og vedlikeholdskostnader er ofte undervurdert.
Sikkerhets- og observerbarhetsgap kan vokse etter hvert som systemene blir mer komplekse.
Veikart for implementering
Definer ventetid, kvalitet og kostnadsmål før implementering.
Benchmark under realistiske belastnings- og dataforhold.
Instrumentovervåking for feil, drift og brukerpåvirkning.
Forbered tilbakerulling og hendelsesresponsbaner før skalering.
Fortsett å utforske
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Query Rewriting and Multi-Query Retrieval quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Ofte stilte spørsmål
Hva er omskriving av spørringer og gjenfinning av flere spørringer?
Omskriving av spørringer og gjenfinning av flere spørringer er RAG-teknikker som transformerer brukerens spørsmål før søk, ved å omformulere det, dele det opp i underspørsmål, eller generere flere varianter og slå sammen resultatene deres. De betyr noe fordi brukere ofte stiller vage, samtale- eller flerdelte spørsmål hvis ordlyd ikke samsvarer med dokumentene, og et bedre søk kan dukke opp relevante passasjer som et enkelt bokstavelig søk ville gå glipp av.
Hvorfor er omskriving av spørringer spesielt viktig i multi-turn chat?
En oppfølging som "og i 2023?" trenger samtalehistorikk for å bli et nyttig frittstående søk.
Hvilken teknikk deler et sammenligningsspørsmål i separate søk for hvert element som sammenlignes?
Dekomponering bryter komplekse eller flerdelte spørsmål i underspørsmål hentet separat.
Hva gjør tilbakeskritt?
Steg-tilbake-forespørsel, fra Google DeepMind-forskere, henter generell bakgrunn før detaljer.
Hvordan beregnes poengsummen til et dokument ved gjensidig rangering?
RRF summerer 1/(k + rang) over hver liste som inneholder dokumentet, og belønner dokumenter rangert høyt i flere lister.
Hvorfor er RRF praktisk for å slå sammen vektorsøk og BM25-resultater?
Fordi RRF bare bruker rangeringsposisjoner, kan den kombinere lister hvis råscore ikke er sammenlignbare.
Fortsett å lære
Relaterte guider
Flere guider valgt for dette emnet