RAG 查询优化简介
检索增强生成（RAG）系统因其能高效地检索信息并生成内容而备受关注。然而，要想让 RAG 系统的表现更上一层楼，查询优化技术显得尤为重要，尤其是在使用大型语言模型（LLM）时。通过扩展、分解、消歧和抽象等方法优化查询，可以显著提升 LLM 在 RAG 系统中的工作效率和准确性。
这些技术通过优化用户的初始查询，解决了语义模糊、复杂需求以及查询和目标文档之间相关性差异等问题，使 RAG 系统在处理知识密集型任务时表现更加出色。
1. 查询扩展
查询扩展技术能够提升信息检索和生成内容的准确性和相关性。主要分为内部扩展和外部扩展两种策略。
内部扩展
利用系统内部已有的数据（如来自 LLM 或查询本身的信息）来增强查询效果。
- GenRead：通过生成相关的文档片段来补充查询内容。它利用系统内部的信息优化查询，从而提高检索和生成响应的质量。例如，当用户查询'气候变化的影响'时，系统会生成包含'全球变暖'、'极端天气'等相关术语的上下文文档，丰富查询内容。
- Query2Doc：使用小样本提示来生成伪文档，为查询提供额外的背景信息。例如，针对'如何烤蛋糕'的查询，LLM 会生成包含'面粉'、'鸡蛋'等关键词的伪文档，帮助系统检索更具体的上下文。
- HyDE（假设文档嵌入）：将查询与假设文档的嵌入信息结合，提升检索准确性。系统先创建一个假设答案（如'做蛋糕需要准备面粉、鸡蛋和糖'），根据这个答案进行相似性搜索，找到相关文档，最后使用优化后的查询获得精确结果。
外部扩展
借助外部数据源（如知识库和网页）为查询添加上下文。
- LameR（基于潜在答案的查询扩展）：利用特定领域参考的外部候选答案优化查询。例如，收集'机器学习在医疗保健中的应用'的候选答案来扩展查询。
- CSQE（语料库源查询扩展）：从语料库中识别并提取关键句子，增强查询相关性。系统先检索初始文档，找出相关句子创建更详细的查询。
- FLARE（未来语言和检索增强）：预测查询过程中的下一步，迭代检索相关信息。例如，预测用户接下来可能问'准备蛋糕原料的步骤是什么？'，并根据预测进行检索。
- MUGI（多参考引导查询扩展）：使用多个外部引用来增强用户查询的广度和深度。例如，针对'气候变化对北极熊有何影响？'的查询，整合生态研究、气候报告和保护论文中的信息，形成更全面的问题。
2. 查询分解
查询分解技术主要用于处理 RAG 系统中的复杂用户查询。模型可以将复杂查询拆解成更简单的子查询，从而更精准地收集信息。
- DSP 框架（分解、搜索、解析）：把复杂查询拆解成更小、更容易处理的步骤，并通过管道式方法逐步解决。包括拆分子查询、检索相关信息、推理整合答案。
- 从少到多和计划并解决：将复杂查询按顺序分解成可管理的子查询。'从少到多'从少量例子开始，'计划并解决'则是先制定计划再执行子任务。
- 自我询问：解决子查询之间的'组合差距'，通过整合它们的答案提高整体响应准确性。识别合并答案时的难点，逐步整合答案。
- ReAct：将多轮交互中的推理和执行结合起来，根据前一步反馈调整推理过程。适用于需要多轮推理的查询。
- HiRAG（分层 RAG）：采用分层策略，将查询分解为多个子查询，利用外部知识和推理链解决每个步骤。适合处理复杂的多维查询。
- RichRAG 和 ConTReGen：采用多层次方法探索查询，从不同角度分析并将结果组织成树状结构，生成全面答复。
- EAR（集成增强检索）：集成多种查询变体并进行排序，确定最适合信息检索的变体。使用集成学习策略，通过对结果重新排序提高检索系统有效性。
- COK（知识组合）：将来自不同来源或领域的信息融合在一起解决复杂问题。涉及将专业知识库与一般搜索内容整合，提高生成响应的准确性和深度。
