查询变换：改写、HyDE 与多查询

本文基于模型知识整理（生成时未联网核对），关键结论建议对照经典文献复核。

一句话定义

查询变换在检索之前用 LLM 加工用户问题——改写成文档语言、假设文档生成（HyDE）、拆解多跳问题、生成多个变体检索——弥合"用户的问法"与"文档的写法"之间的语义鸿沟，是低投入高收益的检索增强手段。

为什么重要

用户的问题常常是"答案的影子"：口语化、指代不全（"那个怎么办"）、多跳复合（"A 公司的 CEO 的母校排名"）或与文档语言风格迥异。直接拿原始查询去检索，召回失败不是索引的错而是查询的错。查询变换把这条鸿沟在检索前填平，比换嵌入模型便宜得多。

前置知识

kp-010（混合检索）、kp-003（指代与上下文缺失）。

核心概念

• 查询改写（rewrite）：结合对话历史补全指代、规范化口语（"这个咋弄"→"年假申请流程"）；多轮 RAG 的必需品。
• HyDE（Hypothetical Document Embeddings）：让 LLM 先"假装回答"生成一篇假设文档，用假设文档的嵌入去检索——因为"答案与答案相似"比"问题与答案相似"在嵌入空间里更成立。
• 多查询（multi-query）：从不同角度生成 3–5 个查询变体并行检索，结果合并去重（常用 RRF），提升召回覆盖。
• 查询分解（decomposition）：把多跳复合问题拆成子问题链，逐个检索、中间答案回填——"X 的 CEO 的母校"拆成两步。
• Step-back prompting：先抽象出上位问题（"爱因斯坦哪年生的"→"爱因斯坦的生平"）检索背景，再答具体问题。

原理与机制

HyDE 为什么有效：嵌入模型的对比训练让"语义相似的文档"向量相邻，而问题与答案属于不同文本类型，向量距离天然偏远。HyDE 用一次廉价生成把问题"翻译"到文档分布里再检索，相当于人工制造了一个"伪正例"。代价：多一次 LLM 调用（延迟+成本），且假设文档可能带偏方向（幻觉内容会污染查询向量）——实践中常与原始查询并行检索后融合，而非替代。

分解与多跳的必然性：单跳问题一次检索即可命中答案块；多跳问题所需的证据分散在多个块里，任何单次查询都无法同时贴近两个证据——必须分解为"检索→取中间实体→再检索"的链。这条链的自动化与图方法（kp-025 的多跳遍历）殊途同归：图是显式结构化的多跳，分解是隐式的语言级多跳。

收益成本账：查询变换每加一次 LLM 调用 ≈ 增加数百毫秒延迟与对应 token 成本；只有当检索失败率是主要矛盾（评测显示 recall 低）时才值得加——先评测再增强（kp-017）。

图示

原查询: "他们家的退货期限"
改写:   "XX 商城的退货期限是多少天"          ← 补指代
HyDE:   生成"根据商城政策，商品自签收之日起7天内…"(伪文档) → 用它检索
分解:   "A公司CEO是谁" → [检索→"张三"] → "张三的母校是" → [检索→答案]
多查询: 变体1/2/3 并行检索 → RRF 合并

实例或案例

• 客服多轮对话：第 3 轮"那退货呢"不带改写会检索出无关内容；结合历史改写后命中"退货政策"块。
• 学术文献助手：HyDE 对"方法很新、问题很冷"的查询提升显著，因为文献写法与用户问法差异最大。
• 多跳评测集（如 HotpotQA 类）上，分解 + 迭代检索是向量单跳方案的标配补救。

常见误区

• 误区一："查询变换无脑全开"。每次变换都是延迟与成本的乘法；评测显示检索没问题时应保持直通，只对失败模式对症下药。
• 误区二："HyDE 替代原始查询"。假设文档的幻觉会带偏检索；与原始查询双路融合更稳。
• 误区三："分解越多跳越好"。跳数增加误差累积与延迟；能一步检索命中的问题不要拆。

与其他知识点的关系

• kp-010：多查询结果用 RRF 融合回主干。
• kp-014：改写依赖对话历史，历史管理在上下文工程层。
• kp-025：多跳分解与图遍历的等价性。
• kp-027：Agentic RAG 把查询变换升级为规划决策。

自测题

1. HyDE 的核心洞察是什么？有何代价？

答：在嵌入空间"答案更像答案"，用 LLM 生成假设文档把查询平移到文档分布再检索；代价是额外一次生成（延迟成本）与假设内容幻觉带偏的风险。

1. 什么样的查询必须分解？

答：多跳复合问题——答案依赖"先查 A 得实体 X，再查 X 的属性"，单次检索无法同时贴近两段证据。

1. 何时应关闭查询变换？

答：评测显示检索召回已达标、瓶颈在生成或排序时；变换只增加延迟成本不带来收益。

延伸阅读

• Gao 等, "Precise Zero-Shot Dense Retrieval without Relevance Labels"（ACL 2023，HyDE）。
• LangChain 文档：query transformation / multi-query retriever。
• Press 等, "Measuring and Narrowing the Compositionality Gap"（step-back 与分解的评测）。