提升RAG效果的关键：6个被忽视的预检索优化策略（附代码）

最新推荐文章于 2025-08-26 14:29:30 发布

原创最新推荐文章于 2025-08-26 14:29:30 发布 · 1k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #ai #程序员 #转行 #大模型 #学习 #产品经理

在前面的分享中，我们已经了解了RAG系统的完整流程：从文档加载、文本分块、信息嵌入生成向量，到索引构建存储向量数据库，再到检索阶段根据用户查询匹配到最相似的结果，最后把匹配的结果交给大模型生成最终答案。

从这个流程我们可以构建一个完整的RAG系统，但在实际应用中，只有这些是远远不够的。

为了提高RAG的检索质量，我们还需要做很多优化的工作。除了之前讲到的分块的优化、向量索引的优化，我们还需要对检索前和检索后做很多优化内容。

今天我们主要关注预检索优化环节中第一阶段查询翻译（Query Translation）。

在这里插入图片描述

什么是查询翻译？

简单理解就是在真正的检索之前，先对用户查询进行“再加工”，让查询的问题变得更清晰、更准确、更适合机器去理解。

当遇到用户查询问题质量不高，表达内容模糊不清，不能覆盖所需要检索信息的所有方面时，我们就需要采取一系列如查询重写、查询分解和查询扩展等优化策略来改写用户的查询，提升查询嵌入与文档嵌入的相关性，从而达到更精确的检索效果。

查询翻译策略

下面我们详细介绍了几种流行的查询翻译策略：

查询重写（Re-Phrase）

核心思想：直接通过提示词去指导大模型对用户的查询进行重写优化。将口语化、不规范的的查询转换成更适合检索的标准化表达。

优势：当用户使用口语化表达、包含错别字或表述不准确的时候，查询重写可以很容易的提升检索精确度。

from openai import OpenAI
import os
from dotenv import load_dotenv

# 加载.env文件中的环境变量，包括API密钥等敏感信息
load_dotenv()

# 初始化OpenAI客户端，指定DeepSeek URL
client = OpenAI(
    base_url="https://api.deepseek.com", 
    api_key=os.getenv("DEEPSEEK_API_KEY")
)

defrewrite_query(question: str) -> str:
    """使用大模型重写查询"""
    
    prompt = f"""
请将以下用户查询重写为更适合知识库检索的标准化表达：

原始查询：{question}

重写要求：
1. 使用更准确的技术术语和标准表达
2. 明确查询意图，避免歧义
3. 去除口语化表达和冗余词汇
4. 扩展缩写，补充完整信息
5. 保持原查询的核心意图不变

请直接给出重写后的查询（不要加任何前缀或说明）。
    """
    # 使用DeepSeek模型重写查询
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=[{"role": "user", "content": prompt}],
        temperature=0,
    )
    return response.choices[0].message.content.strip()

query = "那个机器学习的东西怎么调参数啊？"
rewritten = rewrite_query(query)

执行结果：

📝 原始查询: 「那个机器学习的东西怎么调参数啊？」
🔄 正在重写查询...
✨ 重写查询: 「机器学习模型超参数调优方法」

多查询（Multi-Query）

核心思想：将用户查询的同一问题生成多种问法。这能生成多样化的查询嵌入，增加命中相关文档的概率，弥补单一问法可能存在的偏差。

优势：可以大幅提高检索精确度，尤其是针对处理模糊和多语义类型的查询问题。

在这里插入图片描述

我利用 LangChain 中的 MultiQueryRetriever 实现并记录执行结果。

import os
from dotenv import load_dotenv
from langchain_chroma import Chroma
from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_deepseek import ChatDeepSeek
from langchain_huggingface import HuggingFaceEmbeddings

# 加载文档数据
loader = TextLoader("data/txt/糖尿病.txt", encoding="utf-8")
data = loader.load()

# 文本分块
text_splitter = RecursiveCharacterTextSplitter(chunk_size=300, chunk_overlap=50)
all_splits = text_splitter.split_documents(data)

# 向量存储
embed_model = HuggingFaceEmbeddings(model_name="BAAI/bge-small-zh")
vectorstore = Chroma.from_documents(documents=all_splits, embedding=embed_model)

# 设置LLM
llm = ChatDeepSeek(
    model="deepseek-chat", temperature=0.1, api_key=os.getenv("DEEPSEEK_API_KEY")
)

# 创建多查询检索器
multi_query_retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(search_kwargs={"k": 3}), llm=llm
)

query = "糖尿病有什么症状？"
# 使用MultiQueryRetriever进行多查询生成和检索
docs = multi_query_retriever.invoke(query)

执行结果：

🔎 测试查询: 「糖尿病有什么症状？」
🔄 正在生成多个查询并检索...
INFO: HTTP Request: POST https://api.deepseek.com/v1/chat/completions "HTTP/1.1 200 OK"
INFO: Generated queries: ['糖尿病常见症状有哪些表现？  ', '糖尿病初期会出现哪些身体信号？  ', '如何识别糖尿病的典型临床体征？']