RAG 中的多维度 Query 改写与召回形式
哪些公司问过
答案要点
- 先结合对话历史做指代消解与信息补全,再做多维扩展
- 扩展维度:同义词与别称、上下位概念、复合问题拆分、关键实体与约束抽取
- 召回形式:多个语义 query 走向量召回,关键词/实体走 BM25 倒排,HyDE 假设答案走向量召回
- 结构化条件可转为元数据过滤或 SQL,多路结果合并去重后用 RRF 或重排模型排序
- 用召回率、答案准确率评估改写收益,并控制改写带来的延迟
易错点
- 改写过度导致语义漂移,召回与原意无关的内容
- 只用改写后的查询,丢掉原始查询的召回
- 每次都调用大模型改写,忽略延迟和成本
面试官常见追问
- 改写时缺信息需要用户补充,技术上怎么实现?
- 为什么要并行化意图识别?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。