RAG усъвършенстван: Multi-Query, HyDE, Step-Back
На тази страница
Цели
- Подобряване на извличането чрез усъвършенствани техники
- Внедряване на подходи multi-query, HyDE и step-back prompting
- Разбиране кога да се използва всяка техника
Проблемът: Една заявка не е достатъчна
Преоценяването (reranking) от предишния урок подобри начина, по който кандидатите се класират, но не можа да помогне с документите, които извличането изобщо не е открило първоначално. Най-честата причина за тези пропуски не е моделът или индексът, а самата заявка. Потребителят може да напише „не работи на телефона ми“, докато документацията обсъжда „несъвместимост с Android версии преди 12“. Никой модел за вграждане (embedding) няма спонтанно да сближи тези две формулировки.
Следните техники споделят един принцип: вместо да приемаме заявката такава, каквато е, ние я трансформираме или умножаваме преди търсенето. Всички те действат върху пълнотата (recall) – тоест способността да се включи правилният документ в списъка с кандидати.
Multi-Query: Задайте въпроса по различен начин
Първият подход е най-директен. Молим LLM да преформулира въпроса от няколко ъгъла, изпълняваме търсене с всеки вариант и обединяваме резултатите. Въпросът „как да анулирам абонамента си?“ също става „процедура за отмяна“, „спиране на месечното таксуване“ и „изтриване на платения ми акаунт“ – три различни речника, три шанса да се попадне на формулировката, използвана от автора на документацията.
Стъпката на обединяване заслужава внимание: редът с np.maximum запазва за всеки документ най-добрия резултат, постигнат сред всички заявки. Документ, който съвпада добре само с едно преформулиране, все пак се издига на върха, което не би се случило, ако осреднявахме резултатите. Температурата от 0.7 е умишлена тук, защото искаме разнообразие, а не възпроизводимост.
from openai import OpenAI
import numpy as np
client = OpenAI()
def generer_multi_queries(question: str, n: int = 3) -> list[str]:
"""Generate n rephrasings of the question."""
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Generate {n} different rephrasings of this question "
f"for document search. Each rephrasing "
f"should cover a different angle.\n\n"
f"Original question: {question}\n\n"
f"Return only the rephrasings, one per line."
)
}],
temperature=0.7
)
queries = response.choices[0].message.content.strip().split("\n")
return [q.strip().lstrip("0123456789.-) ") for q in queries if q.strip()]
def recherche_multi_query(
question: str,
corpus_embeddings: np.ndarray,
documents: list[dict],
k: int = 5,
n_queries: int = 3
) -> list[dict]:
"""Search with multiple rephrasings."""
queries = [question] + generer_multi_queries(question, n_queries)
print(f"Queries: {queries}")
tous_scores = np.zeros(len(documents))
for query in queries:
query_emb = client.embeddings.create(
input=query, model="text-embedding-3-large"
).data[0].embedding
scores = corpus_embeddings @ np.array(query_emb)
tous_scores = np.maximum(tous_scores, scores)
top_k = np.argsort(tous_scores)[-k:][::-1]
return [
{**documents[i], "score": float(tous_scores[i])}
for i in top_k
]
HyDE: Хипотетични вграждания на документи (Hypothetical Document Embeddings)
HyDE атакува проблема от другия край. Вместо да умножаваме въпросите, караме модела да генерира правдоподобен отговор – дори да е частично грешен, това няма значение – и след това търсим документи, близки до този отговор. Въпросът „как да конфигурирам SSO?“ поражда параграф, говорещ за доставчици на идентичност, SAML и метаданни, точно речника, намиращ се в реалната документация.
def recherche_hyde(
question: str,
corpus_embeddings: np.ndarray,
documents: list[dict],
k: int = 5
) -> list[dict]:
"""Search with a hypothetical document (HyDE)."""
# 1. Generate a hypothetical document
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Write a short paragraph (3-5 sentences) that would answer "
f"this question. Write as if it were an excerpt "
f"from technical documentation.\n\n"
f"Question: {question}"
)
}],
temperature=0.3
)
doc_hypothetique = response.choices[0].message.content
# 2. Encode the hypothetical document
hyde_emb = client.embeddings.create(
input=doc_hypothetique,
model="text-embedding-3-large"
).data[0].embedding
# 3. Search for similar documents
scores = corpus_embeddings @ np.array(hyde_emb)
top_k = np.argsort(scores)[-k:][::-1]
return [
{**documents[i], "score": float(scores[i])}
for i in top_k
]
Ако тази техника работи, то е защото вграждането на отговор прилича повече на вграждането на документ, отколкото вграждането на въпрос. Въпросът е кратък, въпросителен и често формулиран със собствените думи на потребителя; документът е дълъг, утвърдителен и написан на жаргона на областта. HyDE преодолява тази пропаст между заявка и документ, като премества заявката на територията на корпуса. Ето защо и промптът уточнява „все едно е откъс от техническа документация“: имитираме целевия регистър.
Step-Back Prompting
Третата техника обработва обратния случай: въпроси, толкова специфични, че никой документ не ги адресира директно. „Мога ли да приспадна електрически велосипед, закупен през февруари?“ не се среща никъде, но секцията за приспадаеми бизнес разходи – да. Затова молим модела за общия въпрос, скрит зад специфичния, и след това търсим и с двата, претегляйки ги 0.7 за оригиналния въпрос и 0.3 за по-широкия – широкият контекст помага, но не трябва да доминира.
def recherche_step_back(
question: str,
corpus_embeddings: np.ndarray,
documents: list[dict],
k: int = 5
) -> list[dict]:
"""Two-pass search: general then specific."""
# 1. Generate a step-back question
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"What is the more general question or underlying concept "
f"behind this specific question?\n\n"
f"Specific question: {question}\n\n"
f"Return only the general question."
)
}],
temperature=0.3
)
question_generale = response.choices[0].message.content.strip()
# 2. Search with both questions
resultats_combines = {}
for q, poids in [(question, 0.7), (question_generale, 0.3)]:
q_emb = client.embeddings.create(
input=q, model="text-embedding-3-large"
).data[0].embedding
scores = corpus_embeddings @ np.array(q_emb)
for i, s in enumerate(scores):
if i not in resultats_combines:
resultats_combines[i] = 0.0
resultats_combines[i] += float(s) * poids
top_k = sorted(
resultats_combines.items(),
key=lambda x: x[1], reverse=True
)[:k]
return [
{**documents[idx], "score": score}
for idx, score in top_k
]
Сравнение на техниките
Всяка от тях адресира специфична патология на извличането и всяка има цената на допълнителни заявки, а следователно и по-висока латентност.
| Техника | Кога да се използва | Допълнителна цена |
|---|---|---|
| Multi-query | Двусмислени заявки, разнообразен речник | n заявки за вграждане + 1 LLM заявка |
| HyDE | Пропасть между заявка и документ, технически области | 1 LLM заявка + 1 заявка за вграждане |
| Step-back | Много специфични въпроси, нужда от контекст | 1 LLM заявка + 2 заявки за вграждане |
Комбиниране на техники
Не е нужно да избирате само една. Следната функция приема списък със стратегии, натрупва резултатите, които всяка произвежда, в речник, индексиран по документ, и запазва максимума. Така документ, открит само чрез HyDE, се класира редом с документ, открит чрез директно търсене. Имайте предвид обаче, че натрупването на три стратегии утройва бюджета и удължава времето за отговор: запазете тази комбинация за трудни заявки или за офлайн обработка, където латентността няма значение.
def recherche_avancee(
question: str,
corpus_embeddings: np.ndarray,
documents: list[dict],
k: int = 5,
strategies: list[str] = ["direct", "multi_query", "hyde"]
) -> list[dict]:
"""Combine multiple search strategies."""
tous_resultats = {}
if "direct" in strategies:
q_emb = client.embeddings.create(
input=question, model="text-embedding-3-large"
).data[0].embedding
scores = corpus_embeddings @ np.array(q_emb)
for i, s in enumerate(scores):
tous_resultats.setdefault(i, []).append(float(s))
if "hyde" in strategies:
res_hyde = recherche_hyde(
question, corpus_embeddings, documents, k=k*2
)
for r in res_hyde:
tous_resultats.setdefault(r["id"], []).append(r["score"])
# Final score = max of scores
scores_finaux = {
idx: max(scores) for idx, scores in tous_resultats.items()
}
top_k = sorted(
scores_finaux.items(), key=lambda x: x[1], reverse=True
)[:k]
return [
{**documents[idx], "score": score}
for idx, score in top_k
]
Ключови изводи
- Multi-query преформулира въпроса от множество ъгли, за да обхване повече речник
- HyDE генерира хипотетичен отговор, който повече прилича на целевите документи
- Step-back задава по-общ въпрос, за да улови широк контекст
- Тези техники добавят латентност, но значително подобряват пълнотата (recall)