本篇仍然是不依赖于LangChain等专用库，利用python基本库实现了三种查询转换技术
- 查询重写：使查询更加具体和详细，以提高搜索精度。
- 回退提示：生成更广泛的查询以检索有用的上下文信息。
- 子查询分解：将复杂查询分解为更简单的组件，以实现全面检索。
图 1：RAG 中的查询重写（红色虚线框）
查询转换技术通过优化输入查询的精准性、丰富性和适应性，使RAG系统能够：
5. 更高效地定位相关文档；
6. 覆盖更全面的信息维度；
7. 生成更符合用户意图的高质量回答。
这一技术是RAG系统实现“智能增强”的关键环节，尤其在处理开放域、多模态或高专业性的场景时不可或缺。
注意：
- 1 大家可以提前https://studio.nebius.com/注册一个api，然后获取一个api key,免费1刀，
其他平台薅羊毛也可以，很多可以免费薅羊毛！下文的结果是基于"BAAI/bge-en-icl"
- 2 请提前下载数据
- 3 提前准备好你的环境
- 4 本地嵌入模型搭建 基于本地的模型进行语义嵌入，可以利用FlagEmbedding,可以好好学习下，量大的话api的嵌入还是比较贵的哦！
文章目录
- 背景说明
- 1. **弥补用户查询与文档内容的语义鸿沟**
- 2. **应对复杂问题的多维度需求**
- 3. **提升检索效率与相关性**
- 4. **适应文档库的异构性**
- 5. **解决歧义与多义性问题**
- 实际案例
