Agent中RAG检索增强：5种Query Enhancement方法详解与实现

Agent中RAG检索增强：5种Query Enhancement方法详解与实现

在RAG系统中，用户提问的质量直接影响检索效果。本文详解5种查询增强方法：HyDE、Query Rewriting、Multi-Query、Step-back Prompting和Query Expansion，

一、为什么需要查询增强？

在实际的RAG系统中，我们经常遇到这样的痛点：

查询增强（Query Enhancement）的核心思想是：不要直接用用户原问题检索，而是先对问题进行改写、扩展或拆分，再用增强后的问题检索。

二、5种增强方法对比

下面逐一详解每种方法的原理和实现。

三、HyDE：假设文档嵌入

3.1 原理

HyDE（Hypothetical Document Embeddings）的核心思想是：让LLM生成一个假设答案，然后用这个假设答案去检索。

为什么这样做有效？因为文档库中的内容是"专业表达"，而用户问题往往是"口语化表达"。假设答案的表达方式更接近文档，因此检索命中率更高。

3.2 流程图

用户问: "RAG 最新进展" ↓ LLM生成假设答案 ↓ 假设答案: "RAG最新进展包括：GraphRAG用知识图谱增强...ColPali直接向量PDF..." ↓ 用假设答案做向量检索 ↓ 命中率大幅提升！

3.3 Prompt模板

请针对以下问题生成一个详细的假设答案： {query} 答案应该包含专业术语和关键概念。

3.4 适用场景

• 用户问的是概念性问题（如"什么是…"）
• 需要背景知识才能检索
• 问题表达方式与文档差异大

3.5 缺点

• 需要1次LLM调用，增加延迟（约1-2秒）
• 如果LLM生成的内容偏离事实，可能引入噪声

四、Query Rewriting：问题改写

4.1 原理

用户的表达往往不规范、不专业。Query Rewriting就是让LLM把用户问题改写成更清晰、更专业的表达。

4.2 流程图

用户问: "咋整RAG" ↓ LLM改写 ↓ 改写后: "RAG（检索增强生成）系统的实现方案和技术架构" ↓ 用改写后的问题检索 ↓ 更精准的检索结果！

4.3 Prompt模板

请将以下用户问题改写为更清晰、更专业的表达： 原问题：{query} 改写要求： 1. 保留原问题的核心意图 2. 使用更专业的术语 3. 补充必要的上下文 改写后的问题：

4.4 适用场景

• 用户表达口语化（如"咋整"、“怎么搞”）
• 问题太短（少于10个字）
• 非专业用户提问专业内容

五、Multi-Query：多角度拆分

5.1 原理

一个模糊的问题，从不同角度可能有不同的理解。Multi-Query的核心思想是：把一个问题拆成3-5个不同角度的问题，分别检索，然后合并去重。

5.2 流程图

用户问: "怎么优化RAG" ↓ LLM拆分 ↓ 多角度问题: 1. "RAG检索质量如何提升" 2. "RAG召回率优化方法" 3. "RAG准确率提升技术" 4. "检索增强生成的最佳实践" ↓ 分别检索4个问题 ↓ 合并结果，去重 ↓ 大幅提高召回率！

5.3 Prompt模板

请将以下问题拆分为3-5个不同角度的问题： 原问题：{query} 拆分要求： 1. 每个问题从不同角度切入 2. 使用不同的关键词和表达方式 3. 保持原问题的核心意图 拆分后的问题列表：

5.4 适用场景

• 问题比较模糊，可以有多种理解
• 追求高召回率（宁可多，不可漏）
• 单一检索策略效果不佳

5.5 实现要点

// Multi-Query需要分别检索再合并asyncfnmulti_query_search(&self,queries:Vec<String>,top_k:usize)->Vec<SearchResult>{letmutall_results=Vec::new();// 分别检索forqueryinqueries{letresults=self.vector_store.search(&query,top_k).await;all_results.extend(results);}// 合并去重（按document_id）self.merge_and_dedupe(all_results)}

六、Step-back Prompting：后退一步

6.1 原理

用户的问题往往太具体，缺乏必要的背景知识。Step-back Prompting的核心思想是：先问一个更抽象、更宏观的问题，获取背景知识，再回答具体问题。

6.2 流程图

用户问: "2024年3月北京气温数据" ↓ LLM生成Step-back问题 ↓ Step-back问题: "北京春季气候特点和温度规律" ↓ 先检索背景知识 ↓ 获得背景信息 ↓ 再回答具体问题

6.3 Prompt模板

原问题：{query} 请生成一个更抽象、更宏观的Step-back问题： - 这个问题应该能帮助获取回答原问题所需的背景知识 - 问题应该比原问题更宽泛 Step-back问题：

6.4 适用场景

• 用户问的是具体细节，但缺乏背景
• 问题包含具体时间、地点、人物
• 需要先理解宏观概念才能回答

七、Query Expansion：关键词扩展

7.1 原理

用户的问题可能缺少专业术语，导致检索不到相关文档。Query Expansion的核心思想是：用LLM补充同义词、相关关键词。

7.2 流程图

用户问: "向量检索怎么做" ↓ LLM扩展关键词 ↓ 扩展后: "向量检索 embedding 相似度 ANN Qdrant Milvus Faiss" ↓ 用扩展后的关键词检索 ↓ 补充专业术语，命中更多文档！

7.3 Prompt模板

请为以下问题补充相关的专业术语和关键词： 原问题：{query} 扩展要求： 1. 添加同义词 2. 添加相关的技术术语 3. 添加可能用到的工具/库/框架名称 扩展后的查询：

7.4 适用场景

• 用户表达缺少专业术语
• 文档库使用专业表达，用户使用通俗表达
• 需要覆盖更多关键词变体

八、智能策略选择

不同的问题适合不同的增强策略。我们可以根据问题特征，自动选择最合适的策略：

pubfnauto_select_strategy(query:&str)->EnhanceStrategy{letlen=query.len();lethas_time_detail=query.contains("年")||query.contains("月");letis_short=len<20;lethas_terms=query.contains("RAG")||query.contains("向量");ifhas_time_detail&&!has_terms{// 具体问题但缺背景 → Step-backEnhanceStrategy::StepBack}elseifis_short&&!has_terms{// 太短且口语化 → RewriteEnhanceStrategy::Rewrite}elseiflen>50&&!has_terms{// 长但缺术语 → ExpansionEnhanceStrategy::Expansion}elseifquery.contains("最新")||query.contains("趋势"){// 需要背景知识 → HyDEEnhanceStrategy::Hyde}else{// 默认 → MultiQuery（召回率高）EnhanceStrategy::MultiQuery}}

策略选择测试用例

九、性能与成本对比

建议：

• 默认使用auto自动选择
• 对延迟敏感的场景可以设置阈值，简单问题跳过增强
• 可以缓存增强结果，相同问题不重复调用LLM

十、总结

查询增强是提升RAG检索效果的重要手段。5种方法各有侧重：

在实际应用中，建议：

1. 默认开启自动选择，让系统智能判断
2. 提供手动选择入口，让用户根据需要切换
3. 监控增强效果，持续优化策略选择逻辑
4. 控制成本，对简单问题可以跳过增强

参考资料

• HyDE论文
• Multi-Query Retriever (LlamaIndex)
• Step-back Prompting (Google)
• Query Expansion (Stanford IR Book)

https://github.com/atliliw/langchainrust.git

相关项目：LangChainRust Agent - Rust实现的RAG系统