Query Enhancement（查询增强）是 RAG 体系中聚焦用户提问侧的核心优化技术，其中
Query Transformations（查询转换）、HyDE（假设文档嵌入）、HyPE（假设提示嵌入）是 查询增强的三大核心落地技术；
1、Query Transformations
最基础的查询增强技术，对用户原始查询进行「字面 / 语义层面的规则化 / 标准化改写」，不引入额外生成内容，仅通过调整查询的表达形式，让其更匹配向量数据库的检索逻辑。

核心实现分为两类，可单独使用或者组合使用：
1.1：基础字面转换：关键词提取、同义词替换、句式规整（口语化的 “咋用这个 API？” 规范化 “如何使用该 API 的具体方法”））、否定词转换（ “这个功能不能用的原因” 改成 “这个功能无法使用的原因”）；
1.2：语义深度转换：基于大模型的轻量改写**，如查询补全、意图明确化、多义消歧（如把模糊的 “产品性能怎么样？” 结合知识库背景补全为 “XX 型号产品的核心性能参数及实际使用表现如何？”）、多轮对话中的上下文融合（如用户前问 “XX 手机的续航”，后问 “能玩多久游戏？”，自动补全为 “XX 手机的游戏续航时间是多少？”）。

整体流程：原始查询 → 转换规则 / 大模型轻量改写 → 生成 1~3 个优化查询 → 用优化查询进行向量检索

解决的 AI 领域问题：
聚焦解决 用户提问的「表达层面缺陷」 导致的检索问题：用户口语化 / 不规范提问导致的检索失配、用户提问简洁 / 模糊导致的关键词缺失、多义词汇导致的检索歧义、多轮对话中的上下文割裂、向量检索的「关键词稀疏」问题

代码落地：

  from langchain.prompts import PromptTemplate
  from langchain.chains import LLMChain
  # 定义Query Transformations的提示词模板：明确改写要求（规范化、补全意图、无冗余）
  qt_prompt = PromptTemplate(
  input_variables=["original_query"],
  template="""请你将用户的原始查询改写为**书面化、规范化、意图明确**的检索查询，要求：
 1. 保留原始查询的核心意图，不新增无关内容；
 2. 若查询模糊/简洁，补全核心主体和关键维度（基于RAG和AI技术背景）；
 3. 口语化查询改为书面化，去除语气词和无意义词汇；
 4. 输出仅保留改写后的查询，无需额外解释。

原始查询：{original_query}
改写后的查询："""
 )
# 构建查询改写链
qt_chain = LLMChain(llm=llm, prompt=qt_prompt)

# 核心查询转换函数
def query_transformations(original_query):
# 调用大模型生成优化查询
optimized_query = qt_chain.run(original_query).strip()
print(f"原始查询：{original_query}")
print(f"优化查询：{optimized_query}\n")
return optimized_query

# 测试
if __name__ == "__main__":
original_query = "咋用自注意力机制？"  # 口语化模糊查询
optimized_query = query_transformations(original_query)
# 用优化查询检索知识库
results = retrieve_knowledge(optimized_query)
print("检索结果：")
for doc in results:
    print(f"- {doc.page_content}")

关键细节 & 扩展：
（1）多查询生成：若想提升召回率，可修改提示词让大模型生成2~3 个不同角度的优化查询，分别检索 后融合结果（如生成3个不同的优化查询，用换行分隔）；
（2）上下文融合：多轮对话场景下，在提示词中加入chat_history输入变量，让改写时融合历史对话（如结合历史对话：{chat_history}，改写原始查询：{original_query}）；
（3）规则式补充：可叠加jieba关键词提取、synonyms同义词替换（如pip install synonyms），实现「规则 + 大模型」的混合改写，降低大模型调用成本

**测试输出示例：**
原始查询：咋用自注意力机制？
优化查询：如何使用Transformer的自注意力机制？

检索结果：
- Transformer的自注意力机制能并行计算，提升模型训练效率，分为多头注意力和单头注意力。
- 多头注意力将特征拆分为多个头，分别计算注意力，能捕捉不同维度的语义信息。

2、HyDE（Hypothetical Document Embedding）实现
通过大模型生成「与用户查询匹配的假设性文档」，用「假设文档的向量」替代「原始查询的向量」进行检索，核心是「以文档级的语义内容，补全用户查询的语义信息」，让检索从「查询向量匹配」升级为「文档级语义匹配」

核心流程：输入用户原始查询（无需复杂改写）、调用大模型生成 1~2 篇与查询高度相关的「假设性文档」、将假设性文档通过嵌入模型转化为向量（而非原始查询）、用该向量在知识库中进行相似性检索，匹配真实的文档块

具体实际应用举例：
案例 3：场景化简单查询 —— 带轻微口语化的短查询
**原始查询**
**咋用Basic RAG解决幻觉（口语化，核心意图是「Basic RAG 解决大模型幻觉的方法」）**
HyDE 生成的假设文档（先规范化意图，再生成事实性内容）：
Basic RAG 即基础检索增强生成，是 RAG 技术的基础实现架构，核心用于解决大模型的幻觉问题和知识时效性问题。该技术通过文档向量化入库、用户查询向量化、相似性检索、上下文拼接生成的四步核心流程，让大模型的回答基于真实的知识库内容，而非凭空生成，从而从根源上降低大模型无依据回答的概率，是解决大模型幻觉问题的低成本、 高效的基础方案。

匹配逻辑：
假设文档先将口语化查询规范化为「Basic RAG 解决大模型幻觉的原理」，再覆盖「Basic RAG 的简称、核心 价值、四步流程、解决幻觉的核心逻辑」，和你知识库中1 条核心内容完全匹配，

检索时精准召回：
Basic RAG 的核心流程是文档向量化、查询检索、上下文拼接、大模型生成，解决大模型幻觉问题。

解决的AI领域问题：
（1）短查询 / 抽象查询的语义信息不足导致的检索精度低（如：自注意力机制、大模型幻觉）
（2）传统查询向量检索的「语义鸿沟」 问题：用户查询和知识库文档的文本形式差异大（如查询是 “原理”，知识库是 “具体实现步骤”）
（3）低资源领域的检索召回率低问题：在垂直小众领域（如某专业技术、小众行业），知识库的文档量少，直接用短查询检索容易漏检
（4）补充：间接降低大模型幻觉：由于 HyDE 能让检索到的知识库内容更贴合用户意图，大模型生成回答时的上下文更精准，从而间接减少因 “检索内容不相关” 导致的幻觉

与 Query Transformations 的核心差异
• Query Transformations：改写查询，输出的还是「查询」（短文本），仅优化表达，不扩充新的语义概念；
• HyDE：生成文档，输出的是「文档」（长文本），不仅优化表达，还会基于查询生成相关的语义概念、细节，扩充语义信息。

核心代码实现：

from langchain.retrievers import HyDERetriever
# 核心：初始化HyDE检索器（封装了「生成假设文档+向量化+检索」全流程）
hyde_retriever = HyDERetriever.from_llm(
retriever=retriever,  # 基础检索器（复用之前的Chroma检索器）
llm=llm,              # 生成假设文档的大模型
prompt=None,          # 用默认提示词，也可自定义（见扩展）
document_prompt=None
)

# HyDE核心函数：输入原始查询，返回基于假设文档的检索结果
def hyde_retrieve(original_query):
print(f"HyDE原始查询：{original_query}\n")
# 内部流程：生成假设文档→向量化假设文档→检索→返回结果
results = hyde_retriever.get_relevant_documents(original_query)
return results

# 测试
if __name__ == "__main__":
original_query = "自注意力机制"  # 短查询/抽象查询（HyDE的适配场景）
results = hyde_retrieve(original_query)
print("HyDE检索结果：")
for doc in results:
    print(f"- {doc.page_content}")

关键细节扩充：
自定义假设文档提示词：若默认提示词不贴合你的业务场景（如金融、法律），可自定义 PromptTemplate，指定假设文档的长度、风格、领域：

from langchain.prompts import PromptTemplate
# 自定义HyDE提示词：生成金融领域的假设文档，长度200字内
hyde_prompt = PromptTemplate(
input_variables=["question"],
template="""请你基于金融领域知识，生成一篇与问题高度相关的假设性文档，要求：
1. 内容贴合问题意图，仅包含相关事实性信息；
2. 长度控制在200字以内，逻辑连贯；
3. 输出仅保留文档内容，无需额外解释。

 问题：{question}
假设文档："""
)
# 初始化时传入自定义prompt
# hyde_retriever = HyDERetriever.from_llm(retriever=retriever, llm=llm, prompt=hyde_prompt)

3、HyPE (Hypothetical Prompt Embedding，假设提示嵌入)实现

HyDE 的进阶优化版本，核心是「将 HyDE 的「假设文档」升级为「假设提示词」，用「假设提示词的向量」进行检索」； 假设提示词的格式为「问题 + 预期的回答框架 / 关键信息维度」

核心流程： 输入用户原始查询、调用大模型生成贴合 RAG 场景的「假设提示词（Hypothetical Prompt）」，而非无差别的假设文档、将假设提示词通过嵌入模型转化为向量、用该向量在知识库中检索，匹配真实文档块

举例说明HyDE→ HyPE的区别：
原始查询：自注意力机制 （短词语/单概念）

HyDE 输出：无结构假设文档（连贯长文本）
自注意力机制是 Transformer 模型的核心组成部分，是实现模型并行计算的关键技术，区别于传统的循环注意力机制。该机制能让模型在处理序列数据时，自主关注输入序列的不同位置信息，捕捉数据之间的语义关联。自注意力机制主要分为单头注意力和多头注意力两种形式，其中多头注意力会将特征拆分为多个头分别计算注意力，能更好地捕捉不同维度的语义信息，提升模型的特征提取能力。

HyPE 输出：结构化假设提示词（问题 + 明确维度）
问题：什么是 Transformer 的自注意力机制？；回答需要包含：1. 自注意力机制的核心定位 2. 自注意力机制的核心作用 3. 自注意力机制的主要分类 4. 不同分类的功能差异

解决的AI领域问题：
在 HyDE 解决「语义信息缺失」的基础上，进一步优化检索结果与「大模型生成环节」的适配性；
解决HyDE 生成的假设文档冗余 / 偏离导致的检索偏差、检索结果与大模型生成需求的「适配鸿沟」、抽象 / 复杂问题的多层语义匹配问题、提升检索的「精准性 - 全面性」平衡

核心代码实现：

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 定义HyPE的提示词模板：生成「问题+结构化回答框架」的假设提示词
hype_prompt = PromptTemplate(
input_variables=["original_query"],
template="""请你基于AI和RAG技术背景，为用户查询生成**假设性提示词**，格式为「问题：XXX；回答需要包 含：1.XXX 2.XXX 3.XXX」，要求：
1. 问题部分保留原始查询的核心意图，书面化表达；
2. 回答框架列出3~5个关键维度，是解答该问题的核心要点，不冗余；
3. 仅输出假设性提示词，无需额外解释。

原始查询：{original_query}
假设性提示词："""
)

# 构建假设提示词生成链
hype_chain = LLMChain(llm=llm, prompt=hype_prompt)

# HyPE核心函数：生成假设提示词→用提示词检索
def hype_retrieve(original_query):
# 步骤1：生成结构化假设提示词
hypothetical_prompt = hype_chain.run(original_query).strip()
print(f"HyPE原始查询：{original_query}")
print(f"假设性提示词：{hypothetical_prompt}\n")
# 步骤2：用假设提示词做检索（核心：用提示词的向量替代原始查询）
results = retrieve_knowledge(hypothetical_prompt)
return results

# 测试
if __name__ == "__main__":
original_query = "怎么用HyDE优化RAG？"  # 复杂问题/方案类问题（HyPE的适配场景）
results = hype_retrieve(original_query)
print("HyPE检索结果：")
for doc in results:
    print(f"- {doc.page_content}")

4、实际项目使用时如何选择查询增强技术

选型原则：
4.1：基础兜底：所有 RAG 系统都应先实现Query Transformations，作为查询增强的基础，低成本解决 80% 的常规检索失配问题；
4.2：进阶优化：在 Query Transformations 的基础上，对短查询 / 抽象查询场景叠加HyDE，对复杂 / 结构化问题场景叠加HyPE；
4.3：混合使用：实际开发中可采用「混合检索策略」—— 同时用 Query Transformations 的优化查询、HyDE/HyPE 的生成内容做向量检索，将所有检索结果融合后重排序，进一步提升效果（成本略有上升，但效果最优）。