← 返回 AI 应用工程 思维导图
⚡闪卡盲测➔
🤖 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。
🎯核心面试考点体系 (Exam Points)
基础原理 · 工业场景 · 深入排雷
基础·定义
请阐明【查询重写与多跳子查询解构】的本质定义、底层数学/架构运作机制与关键原理。
基础·场景
在实际工业生产体系中,【查询重写与多跳子查询解构】适用于哪些典型场景?解决了什么核心工程痛点?
🔥 高频进阶实战考点 (Top 5 Deep-Dive Questions)
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
🎯
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。
🚀 开始本考点专项刷题 ➔
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!
🎯 立即在闪卡中盲测此题➔
← 上一个知识点Semantic 语义断崖自适应切分下一个知识点 →HyDE 假设性文档嵌入

🔗 更多 AI 应用工程 知识点卡片

引用出处: TalentMe 450+ 工业级 AI 架构考点知识库 (Tech Vault) · 遵循 CC-BY-4.0 知识共享协议
URL: https://talentme.airsota.com/zh/resources/tech/roadmap/mindmap/AI_Engineering/card/query-rewriting-decomposition