在RAG系统中，用户的查询是丰富多样的，可能存在措辞不准确和缺乏语义信息的问题。这导致使用原始的查询可能无法有效检索到目标文档。
因此，将用户查询的语义空间与文档的语义空间对齐至关重要，目前主要有查询改写和嵌入转换两种方法。

1. 查询改写（Query Rewriting）通过修改原始用户查询，使其更加精确或更能反映用户的意图，从而提高检索结果的相关性和质量。
2. 嵌入转换（Embedding Transformation）通过应用一个或多个转换模型（例如神经网络）来调整查询嵌入，使其更接近与目标文档的嵌入。

查询改写的方法包括Query2Doc，Doc2Query，HyDE，Step-Back Prompting，Rewrite-Retrieve-Read，ITER-RETGEN，Multi-query。下面依次介绍：

Query2Doc和Doc2Query

双向改写。
Query2Doc：使用LLM的一些提示生成伪文档，然后将它们与原始查询组合以创建新的查询，提高检索命中。

Doc2Query：与上面的相反，为每篇文档生成若干条query，使用这些关联的query来代替文档被检索。有点类似于为每篇文档做语义摘要，用摘要代替文档来做检索。

HyDE

Hypothetical Document Embeddings，通过LLM对用户的query生成一篇假设性的文档，然后根据这个文档的向量去查找相似的N个向量。 核心的原理就是，生成的假设性文档要比query更接近于文档的embedding 空间。

Query2doc认为，HyDE隐含地假设groundtruth文档和伪文档用不同的单词表达相同的语义，这可能不适用于某些查询。（二者的区别）

实现：1.https://docs.llamaindex.ai/en/stable/examples/query_transformations/HyDEQueryTransformDemo/

2.https://blog.csdn.net/hy592070616/article/details/132544684

Step-Back Prompting

这种方法基于首先提出一个更简单、更广泛的问题，该问题有助于理解和检索回答原始更复杂查询所需的基础信息。该过程分为两个基本步骤：抽象和推理。

详细步骤

1. 抽象：不是直接回应查询，而是提示大型语言模型（LLM）生成一个关于与原始问题相关的更高级概念或原则的问题。这一抽象步骤将焦点从具体细节转移到更广泛的视角，有助于检索支撑复杂查询的一般性但相关的信息。

2. 推理：在检索到有关高级概念或原则的基础事实后，LLM 应用抽象推理为原始查询推导出答案。此步骤利用从抽象信息中获得的上下文和概念洞察，以制定全面准确的响应。

实现：https://github.com/langchain-ai/langchain/blob/master/cookbook/stepback-qa.ipynb?ref=blog.langchain.dev

Rewrite-Retrieve-Read

该文章首先使用LLM对query进行改写，再进行检索和回答生成，而不是直接对原始的query进行内容检索和答案生成。

实现：https://github.com/langchain-ai/langchain/blob/master/cookbook/rewrite.ipynb?ref=blog.langchain.dev

ITER-RETGEN

先走正常流程进行检索增强生成，然后将前一次生成的结果+问题拼接，再去检索相关文档，继续生成新的结果；这个过程重复多次之后得到最终结果。

Multi-query

Multi-query 是一种查询改写（Query Rewrite）的进阶版技术，其核心在于同时生成多个与用户原始查询（query）类似的查询。通过这种方式，可以并行执行多个查询，从而大幅增加检索系统召回与原始查询相关内容的可能性。

参考：
1.https://arxiv.org/html/2404.01037v1
2.https://blog.csdn.net/wshzd/article/details/136564062
3.https://zhuanlan.zhihu.com/p/680232507
4.https://zhuanlan.zhihu.com/p/677540243