查询改写
查询改写是指在将用户的原始问题送入搜索引擎、RAG 系统或 AI 搜索之前，先把它转换为更适合检索的形式的做法。它涵盖一系列转换方式，比如消除含糊问题的歧义、解析代词、用同义词扩展，或拆解为多个子问题。
查询改写是指在将用户的原始问题送入搜索引擎、RAG 系统或 AI 搜索之前，先把它转换为更适合检索的形式的做法。它涵盖一系列转换方式，比如消除含糊问题的歧义、解析代词、用同义词扩展，或拆解为多个子问题。
为什么重要
用户实际输入的问题并不是为检索而优化的。它们依赖上下文（"这个东西怎么做"）、省略词语（"inblog 多少钱"），或者把多个意图捆绑在一起（"GEO 和 SEO 的区别以及该怎么做"）。把这些直接送入向量数据库会引入噪声。查询改写能大幅提升检索准确度和引用质量，到 2026 年，它已成为生产级 RAG 流程中的标准预处理步骤。
常见技术
查询扩展：添加同义词和相关词。"博客平台推荐"会变成"博客平台推荐 CMS WordPress Medium inblog"。这能提高语义搜索的召回率。
查询拆解：将多意图问题拆成多个子问题。"GEO 和 SEO 有什么区别，我该怎么应对？"会变成四个查询："什么是 GEO？""什么是 SEO？""GEO 与 SEO 的区别？""GEO 应对策略？"它与查询扇出密切相关。
指代消解：利用之前的对话，把代词替换为明确的名词。"那个多少钱？"会变成"inblog Business 套餐多少钱？"
HyDE（假设性文档嵌入）：模型先针对问题生成一个假设性答案，再把这个答案嵌入用于检索。答案在结构上比问题更接近真实文档，因此能提升检索精度。
查询重述：把含糊的问题改写得更清晰。"它不工作"会变成"为什么我的博客文章发布后没有出现在搜索结果中？"
跨语言翻译：即便用户用韩语提问，系统也会同时运行翻译后的英文版本，以便检索出英文文档。
处理流程
- 用户查询输入：接收原始的自然语言问题
- LLM 改写：专门的提示词分析查询并生成改写后的形式
- 嵌入：对每个改写后的查询进行嵌入
- 向量搜索：从向量数据库中检索相关的文本块
- 重排序：用重排序器优化结果
- 生成：将排名靠前的文本块送入 LLM 生成最终答案
对 GEO 的意义
用户输入的查询和实际命中向量数据库的改写后查询是不同的。GEO 策略必须设计出同时匹配改写后查询的内容。
问题形式的标题：使用"什么是 X？""如何做 Y？""X 与 Y 的区别"这类标题，能直接匹配拆解后的子问题。
同义词和双语术语：同时提供专有名词和通用术语、英文及本地名称、完整写法和缩写，有助于命中查询扩展。
明确的答案句：每一节都以"X 是……"这样的陈述句开头，能匹配 HyDE 生成的假设性答案。
对比型内容："A vs B"结构的文章在对比型查询被拆解时，能一次性自然匹配多个子问题。
Sources: