本文以面试问答形式，系统介绍了 RAG 系统中 Query Rewrite 的四种核心方法：直接改写、HyDE、Step-back Prompting 和多 Query 扩展，并分析了各自解决的问题和适用场景。
📝 详细摘要
文章以字节跳动面试题为引，深入探讨了 RAG 系统中 Query Rewrite 的必要性和具体实现方法。作者指出，用户提问方式与知识库文档表述之间存在语义鸿沟，包括口语化、文体差异、问题过于具体和角度单一等问题。针对这些鸿沟，文章详细介绍了四种方法：直接改写（解决口语化和指代不清）、HyDE（通过生成假设答案弥合问句与陈述句的向量距离）、Step-back Prompting（将具体问题抽象为背景问题以检索原理文档）和多 Query 扩展（生成多个角度的改写版本扩大召回面）。每种方法都配有 Prompt 模板和示例，最后通过对比表格总结了选型依据。文章结构清晰，内容实用，适合 RAG 系统开发者和面试准备者阅读。
💡 主要观点
- Query Rewrite 的核心目的是弥合用户提问与知识库文档之间的语义鸿沟。 用户问题往往口语化、模糊、带缩写，而文档是正式书面语，向量相似度天然偏低，导致该召回的内容未被召回。
💬 文章金句
- Query Rewrite 就是在检索之前，先对用户的问题做加工，让它在向量空间里离正确文档更近。
- HyDE 的直觉可以这样理解：正常你用问题的影子去找答案的样子，HyDE 先描绘出答案可能长什么样子，再去找长得像它的文档。
- Step-back Prompting 把具体问题「后退一步」，提升到更抽象的层次，先检索背景知识，再结合背景知识回答具体问题。
- 多 Query 扩展的核心思路是：只要有一个改写版本和文档的表述对上了，就能把正确的内容召回来，就像拦截网越宽，捕到鱼的概率越高。
📊 文章信息
AI 初评：82
来源：小林coding
作者：小林coding
分类：人工智能
语言：中文
阅读时间：16 分钟
字数：3782
标签： RAG, Query Rewrite, HyDE, Step-back Prompting, 向量检索