RAG End-to-End Architecture: 解释 query 改写与 HyDE。

Core Concept: 用 LLM 改写/扩展查询以弥合'查询-文档'的表达差异；HyDE 先生成假设答案再检索（用答案的嵌入更接近文档）。

数学机理：<strong>核心问题：查询-文档不对称（query-document asymmetry）</strong>——用户的查询通常<strong>短</strong>（几个词）、<strong>口语化</strong>、<strong>信息不完整</strong>；而文档是<strong>长</strong>、<strong>正式</strong>、<strong>信息完整</strong>的。两者的'表达形式'差异使嵌入空间的相似度不可靠（短查询的嵌入与长文档的嵌入不在'同一风格'）。<strong>三类改写方法</strong>：<strong>(1) 查询改写/扩展（query rewriting / expansion）</strong>——用 LLM (a) <strong>补全上下文</strong>（'它'指什么？）；(b) <strong>扩展同义词与相关术语</strong>（'心脏病' → '心血管疾病、心梗、冠心病'）；(c) <strong>分解为子查询</strong>（多跳问题拆成多个单跳查询）；(d) <strong>纠正错别字与语法</strong>。<strong>好处</strong>——提升召回（更多相关文档被命中）。<strong>风险</strong>——过度扩展会引入噪声（召回不相关文档）。<strong>(2) 多查询（multi-query / query generation）</strong>——用 LLM 生成 <strong>m 个不同视角的改写</strong>，各自检索，再用 RRF 融合结果。<strong>好处</strong>——覆盖不同表达（提升召回）；<strong>代价</strong>——m 倍检索成本。<strong>(3) HyDE（Hypothetical Document Embeddings，Gao 等 2022）</strong>——关键洞察：<strong>'用假设答案检索'比'用问题检索'更准</strong>。做法：让 LLM 对查询<strong>生成一个'假设的答案文档'</strong>（即使内容是编造的），然后用<strong>这个假设文档的嵌入</strong>去检索真实文档。<strong>为什么有效</strong>——假设答案的<strong>形式与真实文档相似</strong>（都是'陈述性的长文本'），故其嵌入与真实文档'同分布'，从而检索更准；这<strong>弥合了 query-doc 的表达差异</strong>（把'短查询'转换为'长文档形式'）。<strong>风险</strong>——若 LLM 生成的假设答案<strong>方向错误</strong>（幻觉出无关内容），则检索会偏离；故 HyDE 对'模型领域知识不足'的查询可能失效（此时不如直接检索）。<strong>其他</strong>——(a) <strong>查询分类/路由</strong>（判断是否需要检索、走哪条检索路径）；(b) <strong>查询分解</strong>（多跳问题拆解）。<strong>实践组合</strong>——常'多查询 + 融合 + 重排'，或'HyDE + 混合检索'；需按查询类型选择（简单事实查询不需要改写）。

深度剖析与工程权衡：① <strong>'query-doc 不对称'是理解改写价值的钥匙</strong>——它解释了'为什么直接检索短查询效果差'；HyDE 的巧妙之处正是'把查询转换成文档的形式'。② <strong>HyDE 的适用边界</strong>——它对'模型有相关知识'的查询有效（能生成方向正确的假设答案）；对'模型完全不了解的领域'（如企业内部术语）无效（会生成错误方向的假设）。故 HyDE 不是万能的。③ <strong>改写的成本</strong>——每次改写都需一次 LLM 调用（增加延迟与成本）；故应按查询复杂度<strong>按需改写</strong>（简单查询不改、复杂/多跳查询改写）。④ <strong>'多查询 + RRF 融合'的实践</strong>——生成 3~5 个改写、各自检索、RRF 融合，通常比单查询召回更好；成本可控（3~5 倍检索，但检索比生成便宜）。⑤ <strong>与'查询分解'的关系</strong>——多跳问题（'A 的创始人的母校在哪'）需先查 A 的创始人、再查其母校；这是'迭代检索'而非'单次改写'（见多跳检索）。⑥ <strong>面试要点</strong>——被问'查询改写有什么用'，应给出'<strong>弥合 query-doc 不对称</strong>'这一核心，并列举'改写扩展 / 多查询融合 / HyDE'三类方法与各自风险；能指出'HyDE 依赖模型的领域知识、对陌生领域可能失效'是深度理解的标志。