在 RAG 系统中，用户问题（Query）的质量直接影响检索效果。
常见优化方法可以归纳为三大类：改写类、拆解类、决策类。
改写类：让 query 更清晰
拆解类：让 query 更容易命中
决策类：让系统用对方法
一、改写类（让问题“更好被检索”）
1️⃣ Query Rewrite（查询改写）
将用户原始问题改写为更清晰、更完整的表达。解决：口语化、指代不清、信息缺失。
常用方式：LLM 改写 / 模板补全
- 示例：
这个怎么解决？ → Python 报错 ValueError: xxx 的解决方法是什么？2️⃣ Query Expansion（查询扩展）
为 query 增加同义词、相关术语等。提升关键词检索（如 BM25）的召回率。
方法：同义词扩展、embedding 相似词、LLM 扩展。
如：
RAG → Retrieval Augmented Generation（检索增强生成）3️⃣ Normalization（规范化）
统一 query 表达形式，减少噪声。
- 包括：
- 大小写统一
- 拼写纠错
- 去停用词
- 单位转换
- 作用：降低检索误差
二、拆解类（让问题“更容易被命中”）
1️⃣ Multi-query（多查询）
将一个问题改写为多个表达，从不同角度检索。提升 Recall（召回率）。
- 示例：
RAG 怎么优化？ → RAG 优化方法 → 检索增强生成调优 → RAG tuning 技巧2️⃣ Query Decomposition（查询拆解）
将复杂问题拆分为多个子问题。支持多跳检索和复杂推理。
- 示例：
马云创立的公司总部在哪里？ → 子问题： 1. 马云创立了哪些公司？ 2. 这些公司的总部在哪？3️⃣ Context Completion（上下文补全）
在多轮对话中补全隐含信息，避免检索失败。
- 方法：
- 拼接历史对话
- LLM 理解上下文
- 示例：
用户：这个公司在哪？ → 补全：阿里巴巴总部在哪里？三、决策类（让系统“选对检索策略”）
1️⃣ Query Routing（查询路由）
根据问题类型选择不同数据源或检索器。
- 示例：
技术问题 → 技术文档库 HR问题 → 制度库- 实现：
- 规则
- 分类模型
- LLM Router
2️⃣ Intent Detection（意图识别）
判断用户问题类型，从而选择处理方式。
- 常见类型：
- 知识问答（RAG）
- 数据查询（SQL）
- 操作类问题
- 闲聊（不走 RAG）
- 示例策略：
FAQ → 向量检索 精确问题 → BM25 / SQL 复杂问题 → 多跳 / 图检索3️⃣ Filtering（过滤与约束）
为 query 增加结构化过滤条件（metadata）。
- 示例：
报销流程 → 限制：部门=财务，时间=2024- 作用：减少噪声，提高 Precision
