RAG Avvanzat: Multi-Query, HyDE, Step-Back
F'din il-paġna
Għanijiet
- Ittejjeb l-irkupru billi tuża tekniki avvanzati
- Timplimenta l-multi-query, HyDE, u l-prompting step-back
- Tkun taf meta tuża kull teknika
Il-Problema: Mistoqsija Waħda Ma Tbiżżeżx
Ir-reranking mil-lezzjoni ta’ qabel ittejjeb il-mod kif il-kandidati ġew ikklassifikati, iżda ma setax jgħin bid-dokumenti li l-irkupru qatt ma ħareġ fil-bidu nett. L-aktar kawża komuni ta’ dawn in-nuqqasijiet mhix il-mudell jew l-indiċi—hija l-mistoqsija nnifisha. Utent jista’ jiktib “ma taħdimx fuq it-telefon tiegħi”, filwaqt li d-dokumentazzjoni tiddiskuti “inkompatibbiltà ma’ verżjonijiet ta’ Android qabel it-12”. L-ebda mudell ta’ embedding mhu se jqarreb dawn iż-żewġ formulazzjonijiet spontanjament.
It-tekniki li ġejjin jaqsmu prinċipju wieħed: minflok ma naċċettaw il-mistoqsija hekk kif inhi, aħna ntrasformawha jew immultiplikawha qabel ma nfittxu. Dawn kollha jaġixxu fuq ir-rikall—jiġifieri, il-kapaċità li d-dokument it-tajjeb jidħol fil-lista tal-kandidati.
Multi-Query: Agħmel il-Mistoqsija b’Mod Differenti
L-ewwel approċċ huwa l-aktar dirett. Nitolbu lill-LLM jerġa’ jifformula l-mistoqsija minn diversi angoli, inwettqu tfittxija b’kull varjant, u ngħaqqdu r-riżultati. Il-mistoqsija “kif nikkanċella s-sottoskrizzjoni tiegħi?” issir ukoll “proċedura ta’ kanċellazzjoni”, “waqqaf il-ħlas mensili”, u “neħħi l-kont imħallas tiegħi”—tliet vokabolarji differenti, tliet ċansijiet biex tolqot il-kliem li uża l-awtur tad-dokumentazzjoni.
Il-pass tal-għaqda jistħoqqilha nota: il-linja np.maximum iżżomm, għal kull dokument, l-aqwa punteġġ miksub fost il-mistoqsijiet kollha. Dokument li jaqbel tajjeb ma’ riformulazzjoni waħda biss xorta jitla’ fil-quċċata, li ma kienx iseħħ kieku medjajna l-punteġġi. It-temperatura ta’ 0.7 hija intenzjonali hawnhekk, għax irridu varjetà, mhux riproduċibbiltà.
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: Embeddings ta’ Dokumenti Ipotetiċi
HyDE jittratta l-problema mit-tarf l-ieħor. Minflok immultiplikaw il-mistoqsijiet, nagħmlu lill-mudell jiġġenera tweġiba plawżibbli—anke jekk tkun parzjalment żbaljata, dan ma jimpurtax—u mbagħad infittxu dokumenti qrib dik it-tweġiba. Il-mistoqsija “kif nikkonfigura l-SSO?” tipproduċi paragrafu li jitkellem dwar fornituri tal-identità, SAML, u metadata, eżattament il-vokabolarju li jinsab fid-dokumentazzjoni reali.
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
]
Jekk din it-teknika taħdem, dan huwa minħabba li l-embedding ta’ tweġiba jixbah lill-embedding ta’ dokument aktar milli jixbah lill-embedding ta’ mistoqsija. Mistoqsija hija qasira, interrogattiva, u spiss ifformulata bil-kliem tal-utent innifsu; dokument huwa twil, affermattiv, u miktub bil-lingwaġġ tekniku tad-dominju. HyDE jgħaqqad din il-laguna bejn il-mistoqsija u d-dokument billi jċaqlaq il-mistoqsija fit-territorju tal-korpus. Dan huwa wkoll għaliex il-prompt jispeċifika “bħallikieku kien estratt minn dokumentazzjoni teknika”: qed nimitaw ir-reġistru fil-mira.
Step-Back Prompting
It-tielet teknika tittratta l-każ oppost: mistoqsijiet hekk speċifiċi li l-ebda dokument ma jindirizzahom direttament. “Nista’ nnaqqas roti elettrika mixtrija f’Frar?” ma tidher imkien, iżda t-taqsima dwar in-nefqiet tan-negozju li jistgħu jitnaqqsu tagħmel dan. Allura nitolbu lill-mudell għall-mistoqsija ġenerali li tinħeba wara dik speċifika, imbagħad infittxu bit-tnejn, b’piż ta’ 0.7 għall-mistoqsija oriġinali u 0.3 għal dik usa’—il-kuntest wiesa’ jgħin, iżda m’għandux jiddomina.
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
]
Tqabbil tat-Tekniki
Kull waħda tindirizza patoloġija speċifika tal-irkupru, u kull waħda tiġi bl-ispiża ta’ sejħiet ekstra u għalhekk latenza ogħla.
| Teknika | Meta tużaha | Spiża addizzjonali |
|---|---|---|
| Multi-query | Mistoqsijiet ambigwi, vokabolarju varjat | n sejħiet ta’ embedding + sejħa waħda ta’ LLM |
| HyDE | Lakuna bejn il-mistoqsija u d-dokument, dominji tekniċi | Sejħa waħda ta’ LLM + sejħa waħda ta’ embedding |
| Step-back | Mistoqsijiet speċifiċi ħafna, bżonn ta’ kuntest | Sejħa waħda ta’ LLM + 2 sejħiet ta’ embedding |
Tagħqid tat-Tekniki
M’għandekx għalfejn tagħżel waħda biss. Il-funzjoni li ġejja taċċetta lista ta’ strateġiji, takkumula l-punteġġi li kull waħda tipproduċi f’dizzjunarju indiċjat bid-dokument, u żżomm il-massimu. Dokument misjub minn HyDE biss għalhekk jiġi kklassifikat ma’ dokument misjub permezz ta’ tfittxija diretta. Żomm f’moħħok, madankollu, li t-tgħaqqid ta’ tliet strateġiji jittreplika l-baġit u jtawwal il-ħin ta’ rispons: irriżerva dan it-taħlita għal mistoqsijiet diffiċli, jew għal ipproċessar offline fejn il-latenza ma tgħodd xejn.
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
]
Punti Ewlenin
- Il-multi-query terġa’ tifformula l-mistoqsija minn angoli multipli biex tkopri aktar vokabolarju
- HyDE tiġġenera tweġiba ipotetika li tixbah aktar lid-dokumenti fil-mira
- Step-back tagħmel mistoqsija aktar ġenerali biex taqbad kuntest wiesa’
- Dawn it-tekniki jżidu l-latenza iżda jtejbu b’mod sinifikanti r-rikall