提升RAG系统效果：揭秘Rewrite技术及其关键优化策略，提高召回率与精确度

聊完了Rerank优化，该把目光投向RAG链条的更上游了。之前那篇《揭开RAG重排序（Rerankers）和两阶段检索的神奇面纱》主要解决的是“召回结果多了怎么精挑细选”的问题，核心是通过向量检索先拿回更多候选结果，再让Rerank模型做精确排序，从而综合提升召回和精度。

今天这篇换个角度，聚焦在

——即查询重写（Rewrite）。RAG链路中，用户提的问题往往“不那么讲究”，措辞不精确、语义信息缺失是常有的事。比如“2020年NBA冠军是洛杉矶湖人队！告诉我什么是langchain框架？”这种混杂着事实陈述和查询的句子，如果直接拿去搜知识库，返回的结果大概率会让人哭笑不得。所以，核心挑战在于让用户查询的语义空间与文档的语义空间对齐。查询重写技术，干的正是这个活儿。

查重写这事儿，归根到底就两个目标：

和。从流程位置上看，它属于预检索阶段——在正式去库里扒拉资料之前，先把问题“盘”一遍。最简单粗暴的方法，就是直接让大语言模型（比如ChatGPT）来改写。给个Prompt，比如“请将以下问题进行Rewrite，使其更加简洁明了”，它就能把长句缩成更清晰的核心问句。这不仅让问题更干净，也能提升模型后续的理解能力。

对齐查询与文档语义的几种核心技术

下面逐一展开目前业界主流且效果不错的五种查询重写方法。

1. HyDE（假设文档嵌入）

HyDE的思路很巧妙：既然直接拿查询去向量空间里搜可能不准，不如先让语言模型根据查询“脑补”一个可能的答案（即假设文档），再用这个假设文档作为查询去检索。因为生成的假设文档在语义上更接近真实文档的表达方式，匹配起来自然更精准。

举个电商场景的例子。用户问：“如何提高电商直播的观众参与度？”

• 生成假设文档
  ：大语言模型会输出一段描述性文本，比如“要提高电商直播的观众参与度，可以通过互动问答、限时优惠和实时抽奖等方式……”

• 嵌入与匹配
  ：把这段生成的假设文档转化为稠密向量，然后去文档库中找最相似的文档。

• 返回结果
  ：系统找到的文档，其实已经经过了一次“翻译”，更贴合用户的真实意图。

HyDE的核心优势在于

。它通过“生成-检索”两步走，既提高了召回率（因为生成的文档能覆盖更广的范围），又增强了匹配精度（生成的文档本身就是对查询的语义精炼）。

2. 重写-检索-读取（Rewrite-Retrieve-Read）

这个模式很好理解，它把整个流程分成了三个明确的阶段。

• Rewrite
  ：先用LLM对原始查询进行优化。例如“如何提高电商直播的观看人数？”可以被重写为“有哪些有效的策略可以增加电商直播的观众数量？”——后者明显更适合去搜索引擎里“深挖”。

• Retrieve
  ：用重写后的查询去检索，返回的文档自然更精准，比如“通过社交媒体推广提升直播观众数量的五种方法”。

• Read
  ：最后对检索到的文档进行深度阅读和分析，提取出可操作的措施，比如利用社交媒体提前预告、选择黄金时段、引入互动环节等。

这种方法通过多阶段处理，让搜索引擎和问答系统能更灵活地应对复杂查询。尤其是在电商、客户支持和知识管理这些需要高精准度的场景中，效果立竿见影。

3. Step-Back Prompting（后退提示）

这个名称挺形象，核心思想是在一次生成后，不急着收工，而是“退后一步”反思一下。

比如用户问“如何设计一个有效的电商直播营销策略？”

• 初步生成
  ：模型会直接给出目标设定、受众分析、内容策划等常规步骤。

• 后退审查
  ：这时再让模型检查一下“这些步骤是否完整”，模型就会发现推广策略部分可以加强，比如加入个性化推送通知；受众分析也可以更深入。

• 优化定稿
  ：模型根据反馈修订，最终输出一个更全面、更有深度的方案。

Step-Back Prompting的优势在于能显著提高回答的

。特别适合策略设计、问题解决这类需要多步骤、多层次思考的复杂任务。

4. Query2Doc（查询扩展为文档）

Query2Doc的思路与HyDE有相似之处，但侧重点略有不同。它直接把用户的一个短查询，“膨胀”成一整段描述性文档。

比如“如何提高电商直播的转化率？”这个短句，会被扩展成一段包含“优化直播内容、增强用户互动、提供吸引力更强的促销活动、使用数据驱动分析工具”等多种策略的详细文档。

扩展后的文档作为查询输入，系统检索时能命中更多含有相关关键词和概念的文档。这个方法尤其适合那些需要综合多方面信息的复杂查询，能显著提升检索系统的召回率和上下文丰富度。

5. ITER-RETGEN（迭代生成）

这个方法的灵感来自国际热核聚变实验堆的名字，核心是“迭代优化”。

比如要生成一篇关于“未来能源解决方案”的报告：

• 初始生成
  ：模型先产出一个常规草稿，内容比较泛泛。

• 评估反馈
  ：发现核聚变部分过于简略，没有提及最新进展。

• 重新生成
  ：模型补充了关于国际热核聚变实验堆（ITER）的最新研究进展。

• 持续迭代
  ：这个过程可以重复进行，直到内容质量达到预期标准。

ITER-RETGEN非常适用于那些需要深入分析、多角度探讨的复杂生成任务。通过多次迭代，系统能逐步逼近最优输出，确保最终结果既精准又全面。

总结

总体来看，这些查询重写技术，无论是HyDE的“假设生成”、Rewrite-Retrieve-Read的“三阶段处理”，还是Step-Back Prompting的“反思优化”，其核心逻辑都是一致的：

。

结果就是，信息检索的准确性和相关性得以显著提升。对于RAG系统而言，这意味着采集到的上下文质量更高，大语言模型最终生成的回答自然也就更精准、更相关。从用户体验到系统性能，都能看到实实在在的改进。