RAG 查询优化技术详解：扩展、分解、消歧与抽象
引言
检索增强生成（Retrieval-Augmented Generation, RAG）系统的有效性高度依赖于查询优化（Query Optimization, QO）技术。在实际应用中，用户的原始查询往往存在语义模糊、信息缺失或结构复杂等问题，直接用于检索通常无法获得高质量的相关文档。
虽然 Query 改写是常见的优化手段，但它只是整个查询优化体系中的一环。为了构建更精准的大模型应用，需要采用更全面的技术策略。本文将详细解析腾讯最新 QO 技术研究综述中提出的四大类 Query 优化技术：扩展、分解、消歧和抽象，并探讨其应用场景与代表性方案。
一、查询优化（QO）的核心价值
查询优化旨在改进用户的原始查询，以解决以下挑战：
- 模糊的语义：用户输入可能缺乏关键限定词。
- 复杂的要求：问题涉及多跳推理或跨文档整合。
- 相关性差异：查询词汇与目标文档中的术语不匹配。
通过有效的 QO，可以显著提升检索召回率（Recall）和精确率（Precision），进而提高大模型生成答案的质量。
二、Query 优化详细分类
1. Query Expansion（查询扩展）
查询扩展技术对于提高检索增强生成的性能至关重要，尤其是当与大型语言模型（LLMs）集成时。它通过增加查询的词汇量或概念覆盖范围来提升检索效果。根据知识来源的不同，可分为内部扩展和外部扩展。
Internal Expansion（内部扩展）
- 场景：主要针对信息时效性较低的查询，这些信息通常包含在 LLMs 的预训练阶段内嵌入的知识中。
- 原理：利用 LLM 已有的参数化知识来补充查询上下文。
- 案例：原始查询'2020 年夏季奥运会将在何处举行？'可以通过 LLM 生成的相关额外信息进行优化，例如补充'东京'、'日本'等隐含实体。
External Expansion（外部扩展）
- 场景：主要针对通常需要从知识库或网络中搜索事实的高度时效性查询。
- 原理：通过从外部数据源（如搜索引擎、向量数据库）检索相关信息来扩展查询。
- 案例：原始查询'2024 年夏季奥运会将在何处举行？'可以通过从知识库检索的相关信息（如官方公告、新闻）进行优化，确保信息的实时性和准确性。
2. Question Decomposition（问题分解）
对于复杂查询，简单地使用原始查询进行搜索通常无法检索到足够的信息。因此，LLMs 需要先将这些查询分解成更简单、可回答的子查询，然后搜索与这些子组件相关的信息。通过整合这些子查询的响应，LLMs 能够构建对原始查询的全面响应。
- 场景：顺序分解主要针对需要检索多个事实以形成全面答案的查询。
- 案例 A：原始查询'在 2024 年夏季奥运会上，中国在乒乓球或羽毛球上赢得的奖牌更多？'可以优化为两个子查询：
- '中国在 2024 年奥运会乒乓球上赢得了多少奖牌？'
- '中国在 2024 年奥运会羽毛球上赢得了多少奖牌？'
- 案例 B：原始查询'2024 年奥运会男子单打乒乓球金牌得主的出生日期是什么时候？'可以优化为两个子查询：
- '2024 年夏季奥运会男子单打乒乓球冠军是谁？'
- '该冠军的出生日期是什么时候？'
3. Query Disambiguation（查询消歧）
查询消歧旨在识别和消除复杂查询中的歧义，确保查询是明确的。这涉及到确定查询中可能被多种方式解释的元素，并细化查询以确保单一、精确的解释。
- 场景：主要针对模糊查询或有多种潜在解释的查询。它专注于澄清和细化用户查询，以确保准确理解并检索相关信息。
- ：例如，原始查询'2024 年夏季奥运会乒乓球单打冠军是谁？'可能指代男子或女子单打冠军。通过消歧，可以将其分解为两个子查询：
