Agentic RAG 的查询改写与分解是如何提升检索效果的？

1. 查询改写的核心方法

用户查询往往过于简短、口语化或使用知识库中不存在的实体名称，直接用于检索效果不佳。查询改写的主要方法包括：

• 查询扩展：添加同义词、上下位词和相关实体，扩大召回范围
• 查询重写：将自然语言查询改写为更适合向量检索或关键词检索的形式
• HyDE（假设性文档嵌入）：先由模型生成一个假设性答案，用该答案的嵌入向量进行检索，绕过查询与文档之间的措辞差异
• 实体消歧：识别查询中的歧义实体并明确指向

2. 查询分解的策略

对于包含多个信息需求的复合查询，智能体将其分解为多个原子子查询：

• 并行分解：将独立的信息需求拆分为可并行执行的子查询
• 串行分解：将存在依赖关系的子问题按顺序排列，前一步结果指导后续查询
• 条件分解：根据中间结果动态决定后续子查询的内容

3. 效果提升数据

查询改写与分解对检索效果的提升有实证支撑：

• 在多跳问答基准上，查询改写可带来数个百分点到数十个百分点的召回率提升
• 查询分解使复杂问题的回答完整度显著提高，因为每个子问题都能获得针对性的检索
• 代价是每轮改写和分解需要额外的 LLM 调用，增加延迟和 Token 消耗