跳到主要内容

Query-Rewriting

1. 定义与边界​

Query Rewriting（查询改写）是在检索前把用户问题转换为更适合检索系统的一个或多个查询。它可以补全上下文、拆解意图、生成同义表达、提取关键词或生成假设性答案。

查询改写不是让模型先回答最终问题。它的目标是提高检索召回和证据覆盖。

2. 为什么重要​

用户查询常常：

  • 太短：“怎么配？”
  • 有指代：“刚才那个接口”。
  • 与文档表达不一致。
  • 包含多个子问题。
  • 缺少产品名、版本、错误码等过滤条件。

改写可以让检索器看到更清晰的意图。

3. 核心机制​

常见方法：

  • 上下文补全：把多轮指代补成独立问题。
  • 多查询生成：生成多个不同表述。
  • HyDE：生成假设性文档，再用其 embedding 检索。
  • 关键词抽取：保留错误码、函数名、版本号。
  • 子问题拆解：用于 multi-hop RAG。

4. 工程实现​

def rewrite_query(user_query, conversation_state):
    prompt = {
        "task": "rewrite for retrieval",
        "rules": [
            "Do not answer the question",
            "Preserve exact identifiers, versions, error codes",
            "Return 3 retrieval queries max"
        ],
        "query": user_query,
        "context_summary": conversation_state.summary,
    }
    return model.structured_output(prompt, schema={
        "queries": [{"query": "string", "intent": "string", "filters": "object"}]
    })

5. 生产实践​

  • 对包含精确标识符的查询保留原 query，并与改写 query 并行检索。
  • 改写输出结构化，包括查询、过滤条件、意图、是否需要多跳。
  • 对多查询结果使用 RRF 融合，避免重复。
  • 记录原始 query 与改写 query，便于评测。
  • 对高风险领域限制模型扩展范围，避免引入不存在的假设。

6. 常见反模式​

  • 改写时丢掉错误码、版本号、专有名词。
  • 生成太多查询导致成本和噪声上升。
  • HyDE 生成的假设答案被当成证据。
  • 改写模型受恶意 query 诱导改变系统目标。
  • 不保留原始 query，导致精确匹配丢失。

7. 评测方法​

  • 改写前后 recall@k。
  • 改写引入噪声率。
  • 指代消解准确率。
  • 精确实体保留率。
  • 多查询融合后的 nDCG。
  • 端到端回答忠实度。

8. 安全与治理​

  • 改写输出不是事实，只是检索计划。
  • 不允许用户通过 query 指令改变检索权限。
  • 对外部不可信内容生成的改写要标记来源。
  • 对 HyDE 生成内容明确标注“hypothetical”，不能进入引用。

工程化补强：架构与实现细节​

A. 与 Memory 的硬边界​

Query Rewriting处理的核心对象是把用户原话改写为更适合检索的查询、子查询和过滤条件。它的目标是把外部知识转化为可验证证据，而不是保存用户偏好或 Agent 经验。 Memory 可以影响“怎么服务这个用户、这个项目、这个流程”；RAG 只能回答“证据中是否支持这个事实”。

维度RAGMemory
数据来源外部文档、网页、代码、数据库、知识库对话、任务轨迹、用户偏好、历史经验
写入方式ingestion pipeline、同步任务、管理员上传互动后抽取、用户确认、后台总结
核心约束证据可追溯、权限过滤、引用准确状态延续、偏好复用、隐私最小化
典型失败召回错证据、引用不支持、上下文污染错误记忆持久化、越权画像、投毒
评测指标rewrite win rate、semantic drift rate、filter accuracy、zero-hit recoverymemory precision、task lift、staleness

B. 端到端 Pipeline​

本主题在总链路中的重点可以概括为：intent classify -> rewrite -> expand -> decompose -> validate -> search。

C. 索引数据结构​

{
  "chunk_id": "doc_2026_05_09#sec_04#chunk_003",
  "document_id": "doc_2026_05_09",
  "document_version": "v7",
  "source_uri": "s3://kb/product/manual.pdf",
  "source_type": "pdf|html|code|ticket|database",
  "title": "支付失败排查手册",
  "section_path": ["支付", "错误码", "超时"],
  "text": "...可用于回答的原文片段...",
  "span": {"page": 12, "start_char": 1840, "end_char": 2610},
  "metadata": {
    "tenant_id": "org_1",
    "acl": ["support", "engineering"],
    "created_at": "2026-05-01",
    "updated_at": "2026-05-09",
    "source_trust": "official_internal"
  },
  "retrieval": {
    "dense_vector_id": "vec_abc",
    "sparse_vector_id": "sparse_abc",
    "graph_node_ids": ["entity:timeout", "claim:retry-policy"]
  },
  "rewrite_type": "decompose|expand|normalize|filter_extract",
    "original_query_hash": "sha256:...",
  "lineage": {
    "parser_version": "parser-2.1",
    "chunker_version": "heading-aware-1.4",
    "embedding_version": "emb-2026-05-09",
    "checksum": "sha256:..."
  }
}

没有 document_version、span、acl 和 lineage 的 RAG 索引，很难做引用、回滚、权限审计和 bad case 修复。

D. Indexing Pipeline 设计要点​

阶段关键决策常见坑
连接器增量同步、删除同步、权限同步只追加不删除，导致旧知识继续被召回
解析PDF 表格、代码块、标题层级、脚注丢页码和结构，引用无法定位
切分chunk 大小、overlap、父子块、表格整体性切断条款、代码函数或表格行
元数据tenant、ACL、时间、版本、来源可信度检索后才做权限过滤，已经泄露给模型
向量化embedding 模型、维度、批量、缓存模型切换后混用旧向量
索引vector、BM25/sparse、graph、rerank cache不记录索引版本，无法回归评测
回收删除、过期、重建、压缩向量残留和缓存残留

本文件建议的索引原则是：需要 metadata 字段字典和同义词/缩写表支持可控改写。

E. 查询期策略​

保留原始 query，改写 query 必须能解释差异并可回滚。查询期不要把“召回更多”当成唯一目标，而要控制证据质量、权限、时效和上下文预算。

def rag_query(user_query, user_ctx):
    plan = plan_retrieval(user_query, user_ctx)
    filters = enforce_acl(user_ctx, plan.filters)
    rewritten = rewrite_query(user_query, plan, metadata_schema=INDEX_SCHEMA)
    candidates = []
    for source in plan.sources:
        candidates.extend(source.search(rewritten, filters=filters, k=plan.candidate_k))
    ranked = rerank(user_query, candidates, features=["text", "metadata", "trust", "freshness"])
    evidence = pack_context(ranked, budget=plan.context_budget, diversity=True)
    answer = generate_with_evidence(user_query, evidence)
    return verify_citations(answer, evidence)

F. 引用与证据策略​

改写只影响检索，不允许改变最终回答的证据边界。引用不是格式问题，而是 evidence contract：模型只能用传入证据支持关键断言。

断言类型证据要求不满足时动作
简单事实至少一个直接 chunk 支持给出不确定或拒答
跨文档综合多个 chunk 覆盖关键维度明确证据范围和缺口
高风险建议官方/内部可信来源优先要求人审或给出保守答案
时间敏感信息来源版本和更新时间足够新触发刷新或说明可能过期
权限受限内容用户有权查看原文不引用、不泄露摘要

G. 失败模式与修复​

失败模式早期信号修复动作
改写偏离原意，加入不存在实体，或把恶意外部内容变成检索指令答案流畅但找不到支持片段加 citation verifier 和无证据拒答
chunk 边界错误命中片段缺上文或表格列调整切分器、加入 parent expansion
召回偏科概念问答好，错误码/ID 查询差增加 hybrid search 和字段 boost
top-k 污染上下文里半数以上无关rerank、diversity filter、query rewrite
权限绕过无权限文档出现在 trace服务端 ACL 前置过滤，索引按租户隔离
索引陈旧用户指出文档已更新增量同步、版本水位、freshness 监控
引用漂移引用存在但不支持断言claim-level citation check 和回源校验

H. 评测指标​

层级指标说明
检索recall@k、precision@k、nDCG、MRRgold span/doc 是否进入候选和前排
重排rerank lift、first relevant rank观察 reranker 是否真正改善上下文
上下文evidence coverage、token waste、duplication rate是否既覆盖证据又不浪费窗口
生成answer correctness、faithfulness、abstention accuracy答案是否正确且不编造
引用citation precision、claim support rate、broken link rate引用是否可打开且支持断言
安全prompt injection success、unauthorized recall、sensitive leakage外部内容和权限场景的红线
运维p95 latency、index freshness、cost/query、cache hit rate生产可用性和成本

I. 安全治理清单​

  • 检索内容是数据，不是指令；提示词中明确外部证据不能覆盖系统和开发者约束。
  • 权限过滤必须在检索前或索引层完成，不能依赖模型“不要使用”。
  • 对网页、用户上传文件和第三方文档做 prompt injection 扫描和来源可信度标记。
  • 高风险领域使用白名单来源、版本锁定、引用校验和无法支持时拒答。
  • 记录 query、filters、命中文档、分数、rerank 理由、上下文包和最终引用，支持审计。
  • 建立 bad case 回流：每个失败样本标注失败层级，并绑定索引版本、prompt 版本和模型版本。

9. 权威资料​