问题改写是 RAG 系统中不可或缺的“桥梁”技术，它连接了“用户语言”与“知识库语言”，显著提升了检索的相关性和系统整体性能。掌握并合理应用问题改写方法，是构建高效、智能 RAG 应用的关键一步。

1、问题改写（Query Rewriting/Transformation）

问题改写（Query Rewriting/Transformation）是信息检索、对话系统和RAG（检索增强生成）中的关键技术，旨在对用户原始问题进行转换、分解或增强，以提高检索效果或理解准确性。

2、为什么问题改写在 RAG 中如此重要？

在原始的 RAG 流程中，用户提问后，系统直接使用该问题去检索知识库。但实际中，用户的问题可能存在：

• 表述模糊（如：“它怎么样？”）
• 缺少上下文（如对话历史中的指代）
• 使用口语化或非专业术语
• 复杂多跳问题（包含多个子问题）

这些问题会导致检索失败或召回不相关文档。问题改写的作用就是优化原始查询，使其更适合检索系统（尤其是向量数据库或搜索引擎）理解与匹配。

3、问题改写在 RAG 中的常见方法

序号	方法名称	核心说明	示例展示
1	同义扩展（Query Expansion）	通过添加同义词、近义表达或相关术语，扩大检索覆盖范围	“手机发热” → “手机发烫、过热、温度高”
2	语义重写（Semantic Rewriting）	将口语化、模糊表述转化为更清晰、标准的表达，提升检索准确性	“这玩意儿好用吗？” → “这款产品用户体验如何？”
3	对话历史融合（History Integration）	整合上下文信息，解决对话中的指代问题，明确检索对象	历史：“特斯拉 Model Y” 问：“续航多少？” → “特斯拉 Model Y 续航多少？”
4	问题分解（Step Decomposition）	将复杂的多跳问题拆解为多个简单的单跳问题，分步检索后整合结果	“比较 A 和 B 的优缺点” → 分别检索 A 的优点、A 的缺点、B 的优点、B 的缺点
5	HyDE（假想文档嵌入）	先生成假设性回答，再通过其向量检索相似的真实文档，优化检索相关性	“光合作用的过程？” → 生成回答 → 向量化检索相似真实文档
6	标签提取与结构化查询	提取问题中的实体、类别、属性等关键信息，用于结构化过滤检索结果	“找一部科幻类、诺兰导演的电影” → 过滤 genre = 科幻，director = 诺兰
7	查询重表述（Paraphrasing）	用不同句式或表达方式重述问题，保持语义不变的同时优化检索适配性	“怎么安装 Python？” → “Python 的安装步骤是什么？”

4、问题改写带来的好处

核心价值目标	具体说明	关联优化方法举例
提高召回率（Recall）	通过扩展或重写查询内容，扩大检索覆盖范围，匹配更多潜在相关文档	同义扩展、问题分解
增强语义理解	优化查询表述的清晰度和标准化程度，帮助检索器精准捕捉用户真实需求意图	语义重写、查询重表述
支持多轮对话	整合上下文信息，解决对话中的指代模糊或上下文缺失问题，明确检索对象	对话历史融合
优化向量检索效果	提升查询 embedding 与文档 embedding 的匹配精度，尤其适用于语义检索场景	HyDE、语义重写
降低对原始查询质量的依赖	通过技术手段修正不规范、口语化或模糊的提问，保障检索效果稳定性	语义重写、标签提取与结构化查询

5、实际应用建议

• 在 RAG 系统中，可将问题改写作为预处理模块，位于用户输入与检索器之间。
• 可结合多种策略：如先融合对话历史，再进行 HyDE 或分解。
• 注意延迟与成本权衡：使用大模型进行改写会增加推理时间，需根据场景选择轻量或复杂策略。

---

那么，如何系统的去学习大模型LLM？

作为一名从业五年的资深大模型算法工程师，我经常会收到一些评论和私信，我是小白，学习大模型该从哪里入手呢？我自学没有方向怎么办？这个地方我不会啊。如果你也有类似的经历，一定要继续看下去！这些问题啊，也不是三言两语啊就能讲明白的。

所以我综合了大模型的所有知识点，给大家带来一套全网最全最细的大模型零基础教程。在做这套教程之前呢，我就曾放空大脑，以一个大模型小白的角度去重新解析它，采用基础知识和实战项目相结合的教学方式，历时3个月，终于完成了这样的课程，让你真正体会到什么是每一秒都在疯狂输出知识点。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享**

一、2025最新大模型学习路线

一个明确的学习路线可以帮助新人了解从哪里开始，按照什么顺序学习，以及需要掌握哪些知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1级别:AI大模型时代的华丽登场

L1阶段：我们会去了解大模型的基础知识，以及大模型在各个行业的应用和分析；学习理解大模型的核心原理，关键技术，以及大模型应用场景；通过理论原理结合多个项目实战，从提示工程基础到提示工程进阶，掌握Prompt提示工程。

L2级别：AI大模型RAG应用开发工程

L2阶段是我们的AI大模型RAG应用开发工程，我们会去学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3级别：大模型Agent应用架构进阶实践

L3阶段：大模型Agent应用架构进阶实现，我们会去学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造我们自己的Agent智能体；同时还可以学习到包括Coze、Dify在内的可视化工具的使用。

L4级别：大模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，我们会更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调；并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

整个大模型学习路线L1主要是对大模型的理论基础、生态以及提示词他的一个学习掌握；而L3 L4更多的是通过项目实战来掌握大模型的应用开发，针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

二、大模型经典PDF书籍

书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）

三、大模型视频教程

对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。

四、大模型项目实战

学以致用 ，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。

五、大模型面试题

面试不仅是技术的较量，更需要充分的准备。

在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取

2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享