RAG 的预检索 PreRetrieval 优化之 QueryTrasformation

发表于 2024-11-18 更新于 2025-01-18 分类于 2-深度学习， LLM开发工程师指南， RAG ， NextRAG 阅读次数：本文字数： 403 阅读时长 ≈ 1 分钟

与 QueryExpansion 不同，QueryTrasformation 的目的是基于原始 prompt 生成新的 prompt，使用新的 prompt 去检索知识库

这个转换的原因是原始 prompt 可能存在字符紊乱、错别字问题

将用户的查询重构为 LLM 更容易理解且检索器更容易使用的格式。在这里，您首先通过微调的语言模型处理用户查询，以优化和构建它。如图所示，提问中经常涉及：文字语序错乱、同义词替换等问题，直接去向量数据库检索，提取的内容有问题，因此在正式检索前，先使用 llm 优化问题

QueryTrasformation-20250116091707

HyDE 技术与前面描述的假设问题索引方法相反，该技术首先使用 llm 回答用户查询，然后使用答案在数据库实现检索，以在存储中获取最佳匹配数据。

QueryTrasformation-20250116091707-1

原始查询被抽象转化为高级概念问题（后退问题）。在 RAG 系统，包括退一步问题和原始问题查询用于检索，它们的结果被组合在一起生成语言模型的答案。