别信用户的嘴：如何写一个 Prompt，把“大白话”变成“搜索关键词”？

今天，我们就来聊聊让RAG更好用的关键技术：Query Rewrite（查询改写），以及如何写出一个工业级的改写 Prompt。

01 为什么我们需要“翻译官”？

搜索引擎（无论是传统的 Keyword Search 还是现在的 Vector Search）都有一个毛病：它听不懂“人话”，它只信“关键词”和“语义密度”。

用户的输入通常有三个特征：

如果你直接拿用户的 Raw Query 去搜，那就是典型的 Garbage In, Garbage Out。

我们需要用一个 LLM 做中间层，把“用户的嘴”翻译成“机器的脑”。

02 策略一：去口语化与关键词提取

第一种场景，用户说得太随意。我们要让 AI 扮演一个“SEO 专家”。

❌ 用户的输入：

“我的电脑突然蓝屏了，全是英文，动不了，急！”

✅ 我们想要的搜索词：

“Windows 蓝屏死机 BSOD 英文报错 解决方案”

Prompt 写法：

<role>
  你是一个搜索引擎优化（SEO）专家。你的任务是将用户的口语化描述，转化为精准的搜索引擎关键词。
</role>

<rules>
  1. 去除所有情绪化词语（如“急”、“怎么办”）。
  2. 提取核心实体（如“电脑”、“蓝屏”）。
  3. 补充专业术语（将“动不了”转化为“死机”或“冻结”）。
  4. 输出格式为一行，用空格分隔关键词。
</rules>

<user_query>
  我的电脑突然蓝屏了，全是英文，动不了，急！
</user_query>

效果： 这样搜出来的文档，命中率会提升一个数量级。

03 策略二：指代消解（Coreference Resolution）

第二种场景，也是最痛的场景：多轮对话中的“这个”、“那个”。

如果你拿“它续航多久”去搜，鬼知道“它”是谁。

这时候，改写 Prompt 的核心任务是“补全上下文”。

Prompt 写法：

<instruction>
  你是一个对话上下文补全助手。
  用户的最新问题中可能包含代词（如“它”、“这个”）。
  请根据【历史对话】，将最新问题改写为一个独立、完整的句子。
  如果最新问题已经独立完整，则原样输出。
</instruction>

<history>
  User: 介绍一下特斯拉 Model 3。
  AI: Model 3 是特斯拉的一款入门级电动轿车...
</history>

<current_query>
  它续航多久？
</current_query>

AI 改写结果：

“特斯拉 Model 3 的续航里程是多少？”

这才是数据库能听懂的语言。

04 策略三：多路拆解（Multi-Query）

第三种场景，用户的问题太贪心，一句话里塞了两个任务。

如果你拿这句话去搜，可能搜不到一篇同时详细讲这两款车电池对比的完美文档。
最好的办法是：先查比亚迪，再查特斯拉。

Prompt 写法：

<task>
  你是一个查询分析器。用户的问题可能涉及多个实体或多个方面。
  请将用户的问题拆解为 2-3 个独立的、简单的搜索查询（Sub-Queries）。
  输出格式：JSON 列表。
</task>

<user_query>
  比亚迪汉和特斯拉 Model 3 谁的电池更好？
</user_query>

AI 输出结果：

[
  "比亚迪汉 电池技术参数 刀片电池",
  "特斯拉 Model 3 电池类型 续航表现",
  "比亚迪汉 vs 特斯拉 Model 3 电池评测对比"
]

然后在后台，我们会并发执行这 3 次搜索，把结果汇总后再喂给模型。这叫 Query Expansion（查询扩展）。

05 一个工业级的“全能改写” Prompt

在实际工程中，我们通常不会写三个 Prompt，而是把这些逻辑封装在一个结构化 Prompt 里。

拿去即用，不谢：

### Role
你是一个查询重写专家，负责将用户的输入转化为向量数据库能理解的精准查询。

### History Context
{{chat_history}}

### User Input
{{user_input}}

### Instructions
1. **消歧义**：如果用户输入包含代词（它/这），请根据 History 替换为具体实体。
2. **去噪**：去除“帮我查一下”、“我想知道”等无意义的引导词。
3. **关键词化**：将口语转换为专业术语（例：将“连不上网”转换为“网络连接故障”）。
4. **多视角扩展**：如果问题复杂，生成 3 个不同维度的搜索词（一个是精准匹配，一个是语义扩展，一个是问题拆解）。

### Output Format
请直接输出 JSON 格式，不要包含任何解释：
{
  "rewritten_queries": [
    "查询1",
    "查询2",
    "查询3"
  ]
}

写在最后

做搜索和 RAG，功夫在诗外。

当你发现检索效果不好的时候，不要一上来就去调向量模型（Embedding Model），也不要去死磕知识库的切片（Chunking）。

先看看你的输入端。
把那句模糊的“人话”，翻译成精准的“机器话”，往往是 ROI（投入产出比）最高的优化手段。

Prompt 是一座桥。
左边是用户混乱的思绪，右边是数据库严谨的索引。
你的工作，就是把这座桥搭好。