💡 辅助查询是怎么来的？

它是基于你当前查询（query）检索到的某个文档片段（chunk_result），再去“反推”出新的相关问题（utility queries），这些问题的作用是：

• 引导系统从更多角度理解这个文档；
• 为后续推理、回答或补充背景知识做准备。

---

🧠 举个非常贴近实际的例子：

假设你问的是：

“公司的治理结构是怎样的？”

系统用这个问题去检索文档，拿到了以下 chunk_result：

“根据公司章程，公司治理结构包括股东大会、董事会、监事会和高级管理层，各自职责如下……”

接着，系统会调用：

utility_queries = self.utility_query_generator.generate_queries(chunk=str(chunk_result),     # 传入文档片段内容max_queries=2,existing_graph_queries=...
)

🔍 那这个 generate_queries 做的事，就是用语言模型或者类似的规则模板，生成类似这样的问题：

• “董事会的职责有哪些？”
• “高级管理层如何履行监督义务？”
• “治理结构中的监事会作用是什么？”

👉 所以，它的目标是“站在系统的视角”，主动提出更多细化问题，把这个 chunk 挖得更深。

---

🚨 注意：它不是基于原始用户提问，而是基于“当前文档片段”

虽然初始用户提问是引发这一切的触发点，但 辅助查询其实是“chunk 驱动”的，而不是“query 驱动的”。

也就是说：

原始用户问题 → 检索出 chunk → 系统看了 chunk 后自己想出的新问题

---

🧭 为什么这么设计？有啥好处？

这其实是一种很聪明的“文档自我探索机制”：

优势	说明
💡 自动挖掘潜在知识	哪怕用户没问，系统也能主动发现重要内容
🔄 扩展语义图谱	生成的 utility query 可以丰富知识图谱、内存
🤖 改进推理表现	为后续 LLM 回答时提供更多上下文依据
🧠 有助记忆召回	作为补充 query 被记录，以备后续召回

---

✅ 总结一句话：

辅助查询是系统基于已检索文档片段，自动生成的新问题，用来更深入理解文档内容。