Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

RAG προχωρημένο: Multi-Query, HyDE, Step-Back

Μάθημα 14 / 22 Ενημερώθηκε 29 Ιουλίου 2026 Για developers
Σε αυτήν τη σελίδα
  1. Στόχοι
  2. Το πρόβλημα: Ένα μόνο ερώτημα δεν αρκεί
  3. Multi-Query: Διατύπωση της ερώτησης με διαφορετικό τρόπο
  4. HyDE: Ενσωματώσεις Υποθετικού Εγγράφου
  5. Step-Back Prompting
  6. Σύγκριση των τεχνικών
  7. Συνδυασμός τεχνικών
  8. Βασικά σημεία

Στόχοι

  • Βελτίωση της ανάκτησης με χρήση προηγμένων τεχνικών
  • Υλοποίηση των μεθόδων multi-query, HyDE και step-back prompting
  • Κατανόηση του πότε πρέπει να χρησιμοποιείτε την κάθε τεχνική

Το πρόβλημα: Ένα μόνο ερώτημα δεν αρκεί

Η επαναβαθμολόγηση (reranking) από το προηγούμενο μάθημα βελτίωσε τον τρόπο με τον οποίο κατατάσσονταν οι υποψήφιοι, αλλά δεν μπορούσε να βοηθήσει με έγγραφα που η ανάκτηση δεν εντόπισε εξαρχής. Η πιο συχνή αιτία αυτών των αστοχιών δεν είναι το μοντέλο ή το ευρετήριο, αλλά το ίδιο το ερώτημα. Ένας χρήστης μπορεί να πληκτρολογήσει «δεν λειτουργεί στο κινητό μου», ενώ η τεκμηρίωση αναφέρεται σε «ασυμβατότητα με εκδόσεις Android προγενέστερες της 12». Κανένα μοντέλο ενσωμάτωσης (embedding) δεν θα φέρει αυθόρμητα πιο κοντά αυτές τις δύο διατυπώσεις.

Οι παρακάτω τεχνικές μοιράζονται μια ενιαία αρχή: αντί να δεχόμαστε το ερώτημα ως έχει, το μετασχηματίζουμε ή το πολλαπλασιάζουμε πριν την αναζήτηση. Όλες ενεργούν στην ανάκληση (recall), δηλαδή στην ικανότητα να εισάγουμε το σωστό έγγραφο στη λίστα των υποψηφίων.

Multi-Query: Διατύπωση της ερώτησης με διαφορετικό τρόπο

Η πρώτη προσέγγιση είναι η πιο άμεση. Ζητάμε από το LLM να διατυπώσει εκ νέου την ερώτηση από πολλές οπτικές γωνίες, εκτελούμε αναζήτηση με κάθε παραλλαγή και συγχωνεύουμε τα αποτελέσματα. Η ερώτηση «πώς ακυρώνω τη συνδρομή μου;» γίνεται επίσης «διαδικασία ακύρωσης», «διακοπή της μηνιαίας χρέωσης» και «διαγραφή του λογαριασμού επί πληρωμή» — τρία διαφορετικά λεξιλόγια, τρεις ευκαιρίες να πετύχουμε τη διατύπωση που χρησιμοποίησε ο συντάκτης της τεκμηρίωσης.

Το βήμα της συγχώνευσης αξίζει μια σημείωση: η γραμμή np.maximum διατηρεί, για κάθε έγγραφο, την καλύτερη βαθμολογία που επιτεύχθηκε σε όλα τα ερωτήματα. Ένα έγγραφο που ταιριάζει καλά μόνο με μία αναδιατύπωση ανεβαίνει nonetheless στην κορυφή, κάτι που δεν θα συνέβαινε αν κάνουμε μέσο όρο των βαθμολογιών. Η θερμοκρασία 0.7 είναι εδώ σκόπιμη, επειδή θέλουμε ποικιλία, όχι αναπαραγωγιμότητα.

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: Ενσωματώσεις Υποθετικού Εγγράφου

Το HyDE αντιμετωπίζει το πρόβλημα από την αντίθετη πλευρά. Αντί να πολλαπλασιάζουμε τις ερωτήσεις, ζητάμε από το μοντέλο να παράγει μια πιθανή απάντηση —ακόμη και αν είναι εν μέρει λανθασμένη, αυτό δεν έχει σημασία— και στη συνέχεια αναζητούμε έγγραφα κοντά σε αυτή την απάντηση. Η ερώτηση «πώς ρυθμίζω το SSO;» παράγει μια παράγραφο που μιλά για παρόχους ταυτότητας, SAML και μεταδεδομένα, ακριβώς το λεξιλόγιο που βρίσκεται στην πραγματική τεκμηρίωση.

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
    ]

Αν αυτή η τεχνική λειτουργεί, είναι επειδή η ενσωμάτωση μιας απάντησης μοιάζει περισσότερο με την ενσωμάτωση ενός εγγράφου παρά με την ενσωμάτωση μιας ερώτησης. Μια ερώτηση είναι σύντομη, ερωτηματική και συχνά διατυπωμένη με τα λόγια του χρήστη· ένα έγγραφο είναι μεγάλο, καταφατικό και γραμμένο στην ορολογία του κλάδου. Το HyDE γεφυρώνει αυτό το χάσμα ερώτησης-εγγράφου μεταφέροντας το ερώτημα στο έδαφος του σώματος κειμένου (corpus). Γι’ αυτό και η οδηγία (prompt) ορίζει «σαν να ήταν απόσπασμα από τεχνική τεκμηρίωση»: μιμούμαστε το στόχο ύφος.

Step-Back Prompting

Η τρίτη τεχνική διαχειρίζεται την αντίθετη περίπτωση: ερωτήσεις τόσο συγκεκριμένες που κανένα έγγραφο δεν τις απαντά άμεσα. Η φράση «Μπορώ να εκπίπτω ένα ηλεκτρικό ποδήλατο που αγόρασα τον Φεβρουάριο;» δεν εμφανίζεται πουθενά, αλλά η ενότητα για τις εκπίπτουσες επιχειρηματικές δαπάνες ναι. Έτσι, ζητάμε από το μοντέλο τη γενική ερώτηση που κρύβεται πίσω από τη συγκεκριμένη και στη συνέχεια αναζητούμε και με τις δύο, σταθμίζοντάς τες 0,7 για την αρχική ερώτηση και 0,3 για την ευρύτερη —το ευρύ πλαίσιο βοηθά, αλλά δεν πρέπει να κυριαρχήσει.

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
    ]

Σύγκριση των τεχνικών

Κάθε μία αντιμετωπίζει μια συγκεκριμένη παθολογία ανάκτησης και κάθε μία έχει κόστος επιπλέον κλήσεων και συνεπώς μεγαλύτερο λανθάνοντα χρόνο.

ΤεχνικήΠότε να τη χρησιμοποιήσετεΕπιπλέον κόστος
Multi-queryΑσαφείς ερωτήσεις, ποικίλο λεξιλόγιοn κλήσεις embedding + 1 κλήση LLM
HyDEΧάσμα ερώτησης-εγγράφου, τεχνικοί τομείς1 κλήση LLM + 1 κλήση embedding
Step-backΠολύ συγκεκριμένες ερωτήσεις, ανάγκη για πλαίσιο1 κλήση LLM + 2 κλήσεις embedding

Συνδυασμός τεχνικών

Δεν χρειάζεται να επιλέξετε μόνο μία. Η παρακάτω συνάρτηση δέχεται μια λίστα στρατηγικών, συσσωρεύει τις βαθμολογίες που παράγει η καθεμία σε ένα λεξικό με ευρετήριο το έγγραφο και διατηρεί τη μέγιστη τιμή. Ένα έγγραφο που βρέθηκε μόνο από το HyDE κατατάσσεται έτσι δίπλα σε ένα έγγραφο που βρέθηκε με άμεση αναζήτηση. Λάβετε υπόψη, ωστόσο, ότι η στοίβαξη τριών στρατηγικών τριπλασιάζει τον προϋπολογισμό και επιμηκύνει τον χρόνο απόκρισης: κρατήστε αυτόν τον συνδυασμό για δύσκολες ερωτήσεις ή για επεξεργασία εκτός σύνδεσης (offline) όπου ο λανθάνων χρόνος δεν έχει σημασία.

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
    ]

Βασικά σημεία

  • Το Multi-query αναδιατυπώνει την ερώτηση από πολλές οπτικές γωνίες για να καλύψει περισσότερο λεξιλόγιο
  • Το HyDE παράγει μια υποθετική απάντηση που μοιάζει περισσότερο με τα έγγραφα-στόχους
  • Το Step-back θέτει μια πιο γενική ερώτηση για να συλλάβει το ευρύ πλαίσιο
  • Αυτές οι τεχνικές προσθέτουν λανθάνοντα χρόνο, αλλά βελτιώνουν σημαντικά την ανάκληση