概述
HyDE 通过首先要求语言模型想象一个虚假的答案文档，然后使用该文档的嵌入而不是原始查询进行搜索来改进检索。它弥合了短问题和您实际想要查找的较长段落之间的差距。
HyDE 假设文档嵌入是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。
深入探讨
HyDE（假设文档嵌入）由高及其同事于 2022 年提出，解决了密集检索中的问题：简短的查询和相关答案段落通常位于嵌入空间的不同区域。食谱分为三个步骤。首先，提示遵循指令的 LLM（如 InstructGPT）生成一个可以回答查询的假设文档，即使它包含虚构的或部分不准确的细节。其次，使用无监督对比编码器（例如 Contriever）嵌入该假设文档。第三，使用该嵌入通过最近邻搜索来查找真实的段落。编码器充当有损压缩器，过滤掉法学硕士的捏造，同时保留相关的语义信号。值得注意的是，HyDE 是零样本工作，不需要标记相关数据，并且可以在不同语言和任务中匹配或击败经过微调的检索器。
技术洞察
聪明的见解是嵌入步骤是一个噪声降噪器。尽管生成的文档可能包含事实错误，但密集编码器将其映射到接近真正相关的真实段落，因为它们共享主题和语义模式，而幻觉的细节会在固定大小向量的瓶颈中被冲掉。 HyDE 将训练查询编码器的负担转移到利用法学硕士的生成知识以及现成的无监督嵌入器。
掌握 HyDE 假设文档嵌入
HyDE 通过首先要求语言模型想象一个虚假的答案文档，然后使用该文档的嵌入而不是原始查询进行搜索来改进检索。它弥合了短问题和您实际想要查找的较长段落之间的差距。 HyDE 假设文档嵌入是语言 AI 堆栈的一部分，用于大规模读取、生成、分类和转换文本和语音。为了建立深入的理解，请将 HyDE 假设文档嵌入视为一种操作模型，而不是单个功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用 HyDE 假设文档嵌入将提示、检索和审查循环设计为一个集成通信系统。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
语言工作流程可以在不牺牲一致性的情况下更快地移动。与此同时，幻觉事实可以悄悄地进入报告、支持流程或研究成果。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
语言工作流程可以在不牺牲一致性的情况下更快地移动。
语言工作流程可以在不牺牲一致性的情况下更快地移动。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
它扩展了跨语言和沟通方式的访问。
它扩展了跨语言和沟通方式的访问。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
团队可以花更多时间进行判断，而自动化则可以处理重复。
团队可以花更多时间进行判断，而自动化则可以处理重复。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
在不存在标记查询通道训练数据的新领域中进行零样本检索
多语言搜索，在嵌入之前用目标语言生成假设答案
通过将简洁的用户问题扩展为丰富的伪文档来提高 RAG 召回率
研究和法律搜索，其中简短的查询需要匹配密集、行话较多的源段落
实施模式
HyDE 假设文档嵌入的实践
在不存在标记查询通道训练数据的新领域中进行零样本检索。
在不存在标记的查询通道训练数据的新领域中进行零样本检索当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
HyDE 假设文档嵌入的实践
多语言搜索，在嵌入之前以目标语言生成假设答案。
多语言搜索，在嵌入之前以目标语言生成假设答案 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
HyDE 假设文档嵌入的实践
通过将简洁的用户问题扩展为丰富的伪文档来提高 RAG 召回率。
通过将简洁的用户问题扩展为丰富的伪文档来提高 RAG 召回率 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
HyDE 假设文档嵌入的实践
研究和法律搜索，其中简短的查询需要匹配密集、行话较多的源段落。
研究和法律搜索中，简短的查询需要匹配密集、行话较多的源段落。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
在推出之前定义输出格式、语气和质量标准。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
当准确性很重要时，请使用可信来源进行地面响应。
当准确性很重要时，请使用可信来源进行地面响应。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
为高风险输出保留人工审查检查点。
为高风险输出保留人工审查检查点。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
跟踪故障模式并定期重新训练提示或工作流程。
跟踪故障模式并定期重新训练提示或工作流程。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。