微信扫码
添加专属顾问
我要投稿
准确地找到与用户查询最相关的信息是RAG系统成功的关键,如何帮助检索系统提升召回的效果是RAG系统研究的热门方向,之前的文章介绍了在分块阶段的优化方法:RAG高级优化:基于问题生成的文档检索增强。本文将介绍三种query理解的方法,以增强检索增强生成(RAG)系统中的检索过程:
查询重写:重新定义查询,使其更加具体和详细。
Step-back提示:生成更广泛的查询,以获得更好的上下文检索。
query转化的优点
RAG系统在检索最相关的信息时经常面临挑战,特别是在处理复杂或模糊的查询时。这些查询转换技术通过重新制定查询以更好地匹配相关文档或检索更全面的信息来解决这个问题。
提升相关性:查询重写有助于检索更具体和相关的信息。
更好的上下文:后退提示允许检索更广泛的上下文和背景信息。
综合结果:子查询分解支持检索涵盖复杂查询的不同方面的信息。
灵活性:每种技术可以单独使用,也可以结合使用,这取决于具体的用例。
示例介绍
方案介绍
方案实现和举例
query_rewrite_template = """You are an AI assistant tasked with reformulating user queries to improve retrieval in a RAG system.
Given the original query, rewrite it to be more specific, detailed, and likely to retrieve relevant information.
Original query: {original_query}
Rewritten query:"""
query_rewrite_prompt = PromptTemplate(
input_variables=["original_query"],
template=query_rewrite_template
)
运行例子:
# example query over the understanding climate change dataset
original_query = "气候变化对环境的影响是什么?"
rewritten_query = rewrite_query(original_query)
print("Original query:", original_query)
print("\nRewritten query:", rewritten_query)
效果展示:
Original query: 气候变化对环境的影响是什么?
Rewritten query: 气候变化对各种生态系统的具体影响是什么,包括温度、降水模式、海平面和生物多样性的变化?
2 -退步提示
生成更广泛的查询,以便更好地检索上下文。
# Create a prompt template for step-back prompting
step_back_template = """You are an AI assistant tasked with generating broader, more general queries to improve context retrieval in a RAG system.
Given the original query, generate a step-back query that is more general and can help retrieve relevant background information.
Original query: {original_query}
Step-back query:"""
step_back_prompt = PromptTemplate(
input_variables=["original_query"],
template=step_back_template
)
运行例子
original_query = "气候变化对环境的影响是什么?"step_back_query = generate_step_back_query(original_query)print("Original query:", original_query)print("\nStep-back query:", step_back_query)
效果展示:
Original query: 气候变化对环境的影响是什么?
Step-back query: 气候变化的一般影响是什么?
3-子查询分解
将复杂查询分解为更简单的子查询。
subquery_decomposition_template = """You are an AI assistant tasked with breaking down complex queries into simpler sub-queries for a RAG system.
Given the original query, decompose it into 2-4 simpler sub-queries that, when answered together, would provide a comprehensive response to the original query.
Original query: {original_query}
example: What are the impacts of climate change on the environment?
Sub-queries:
1. What are the impacts of climate change on biodiversity?
2. How does climate change affect the oceans?
3. What are the effects of climate change on agriculture?
4. What are the impacts of climate change on human health?"""
subquery_decomposition_prompt = PromptTemplate(
input_variables=["original_query"],
template=subquery_decomposition_template
)
运行例子:
original_query = "气候变化对环境的影响是什么?"sub_queries = decompose_query(original_query)print("\nSub-queries:")for i, sub_query in enumerate(sub_queries, 1):print(sub_query)
效果展示:
Sub-queries:Original query: 气候变化对环境的影响是什么?1. 气候变化如何影响生物多样性和生态系统?2. 气候变化对海洋环境和海洋生物有什么影响?3. 气候变化如何影响天气模式和极端天气事件?4. 气候变化对陆地环境,如森林和沙漠有什么影响?
53AI,企业落地大模型首选服务商
产品:场景落地咨询+大模型应用平台+行业解决方案
承诺:免费场景POC验证,效果验证后签署服务协议。零风险落地应用大模型,已交付160+中大型企业
2025-04-30
聊聊AI智能体框架MetaGPT下的RAG实践
2025-04-30
如何用大模型+RAG给宠物做一个AI健康助手(干货分享)?
2025-04-30
HiRAG:基于层级知识索引和检索的高精度RAG
2025-04-29
教程|通义Qwen 3 +Milvus,混合推理模型才是优化RAG成本的最佳范式
2025-04-29
RAG开发框架LangChain与LlamaIndex对比解析:谁更适合你的AI应用?
2025-04-29
RAG性能暴增20%!清华等推出“以笔记为中心”的深度检索增强生成框架,复杂问答效果飙升
2025-04-29
超神了,ChatWiki 支持GraphRAG,让 AI 具备垂直深度推理能力!
2025-04-29
AI 产品思维:我如何把一个 AI 应用从基础 RAG 升级到 multi-agent 架构
2024-10-27
2024-09-04
2024-07-18
2024-05-05
2024-06-20
2024-06-13
2024-07-09
2024-07-09
2024-05-19
2024-07-07
2025-04-30
2025-04-29
2025-04-29
2025-04-26
2025-04-25
2025-04-22
2025-04-22
2025-04-20