🤖 AI 应用工程ID:
query-rewriting-decomposition查询重写与多跳子查询解构
Query Rewriting & Decomposition
🎯核心定义
查询重写与子查询解构 (Query Rewriting & Sub-Query Decomposition) 是 RAG 预检索 (Pre-Retrieval) 阶段的核心优化技术；它通过调用微调模型或 Prompt 引导大模型，对用户输入的原始自然语言查询进行多维度重构：包括指代消解 (Coreference Resolution: 如将“它的最新财报”还原为“苹果公司 2026 年 Q2 财报”)、同义词扩展、将复杂多跳问题 (Multi-hop Query) 解构成多个相互独立的并行/串行原子子查询 (Sub-queries)，并针对不同子查询分别执行检索与结果聚合。
💡使用场景
复杂多轮对话 RAG 问答、跨多实体对比分析（如“对比英伟达和高通最新芯片的能效比与价格”）以及长尾模糊问题。
⚡解决的核心痛点
原始用户提问往往极其口语化、包含代词指代、甚至同时包含多个相互交织的复合问题；直接检索复合查询无法命中任何单一文档，通过解构成原子子查询后并行检索，彻底解决多跳问答信息漏检难题。
🎯5 个高频面试考点 (Exam Points)
1
详细描述多轮对话中基于聊天历史 (Chat History) 进行指代消解与完整独立问题 (Standalone Query) 生成的 Prompt 范式？
2
子查询解构 (Sub-Query Decomposition) 中的并行分支 (Parallel Dispatch) 与 DAG 依赖串行执行（Step-by-step Execution）在延迟与准确率上的权衡？
3
Multi-Query Retrieval (多角度 Query 生成) 如何通过同时生成 3-5 个不同视角的同义 Prompt 提升检索召回率？
4
Step-Back Prompting (后退一步抽象查询) 如何通过生成高阶通用概念查询（如从具体物理题抽象为基础物理定律）辅助 RAG 检索？
5
如何防止 LLM 在查询重写阶段发生幻觉过度泛化，导致偏离用户最初真实搜索意图？
📖 关联深度指南:📄 naive-and-advanced-rag →
更新于 2026-08-14🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「查询重写与多跳子查询解构」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。