问题改写是提升RAG系统检索效果的关键技术。简单来说，它就像一位“翻译官”，负责把用户那些带有口语、缺乏上下文、甚至有点模糊的提问，转化为知识库更“听得懂”的语言，从而实现精准匹配。
本文会探讨以下几方面：问题改写究竟是什么，它在RAG系统中为何如此重要，目前主流的实现方法有哪些，以及这些方法能够带来哪些实实在在的收益。
前言：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。掌握并合理运用问题改写方法，是构建高效、智能RAG应用的关键一步。
1、问题改写（Query Rewriting/Transformation）简介
问题改写，在信息检索、对话系统和RAG（检索增强生成）这些领域内，是一项基础但至关重要的技术。它的核心任务就是对用户提出的原始问题进行转换、分解或增强，终极目标只有一个：让检索效果更好，让系统理解得更准。
2、为什么问题改写在RAG中如此重要？
在标准的RAG流程里，系统拿到用户问题后，会直接用它去检索知识库。但现实中，用户的问题总是带着各种“毛病”：
- 表述模糊，比如来一句“它怎么样？”，没人知道“它”指代什么。
- 缺少上下文，尤其在多轮对话中，指代关系常常丢失。
- 口语化严重，术语不规范，跟知识库里的专业表述对不上。
- 问题本身就很复杂，是个需要多步推理的“多跳问题”。
这些“毛病”直接导致的后果就是检索失败，或者召回一堆不相关的文档。而问题改写的作用，正是优化原始查询，把它打磨得更适合检索系统（特别是向量数据库或搜索引擎）去理解和匹配。
3、问题改写在RAG中的常见方法
目前业界在实践中，沉淀出了几种非常有效的方法，各有各的适用场景。下面这张表格可以快速帮你建立全局认知：
| 序号 | 方法名称 | 核心说明 | 示例展示 |
|---|---|---|---|
| 1 | 同义扩展（Query Expansion） | 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、模糊的表述，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”；当前问：“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，拆解成多个简单的单跳问题，分步检索后再整合。 | “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） | 先生成一个假设性回答，再用这个回答的向量去检索相似的真实文档。 | “光合作用的过程？” → 先生成一段关于光合作用的回答，再向量化去检索相似的真实文档。 |
| 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，用于结构化的过滤和检索。 | “找一部科幻类、诺兰导演的电影” → 过滤条件：genre=科幻，director=诺兰 |
| 7 | 查询重表述（Paraphrasing） | 用不同的句式或表达方式重述问题，语义不变，但更适配检索系统。 | “怎么安装 Python？” → “Python 的安装步骤是什么？” |
4、问题改写带来的好处
花功夫做问题改写，回报是显而易见的。它能在多个维度上显著提升RAG系统的表现：
| 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，扩大检索覆盖范围，匹配到更多潜在的相关文档。 | 同义扩展、问题分解 |
| 增强语义理解 | 优化查询的清晰度和标准化程度，帮助检索器精准捕捉用户真实意图。 | 语义重写、查询重表述 |
| 支持多轮对话 | 整合上下文信息，解决指代模糊或上下文缺失，明确每一轮对话的检索对象。 | 对话历史融合 |
| 优化向量检索效果 | 提升查询向量与文档向量的匹配精度，特别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，保障检索效果的稳定性。 | 语义重写、标签提取与结构化查询 |
5、实际应用建议
在真实的RAG系统里，问题改写通常作为一个预处理模块，放在用户输入和检索器之间。一个常见且有效的做法是组合多种策略：比如，先做对话历史融合，把上下文补全，然后再根据情况决定是用HyDE进行深度语义增强，还是做问题分解来处理复杂查询。
当然，任何技术都有成本。使用大模型进行改写，不可避免地会增加推理延迟。因此，需要根据具体的业务场景来权衡：是选择轻量级的规则或小模型策略，还是直接上重量级的大模型。这其中的取舍，往往是决定一个RAG系统能否在实际生产中高效运行的关键。