RAG:LLM查询重写+并行检索
目录
- RAG:LLM查询重写+并行检索
- 一、核心原理与价值
- 二、完整实现流程
- 步骤1：基础实现架构
- 三、提示词设计核心原则与优秀模板
- 3.1 设计原则
- 3.2 进阶提示词模板
- 3.3 针对不同场景的提示词变体
- 四、创新方向与高级实现
- 4.1 基于意图分类的条件重写
- 4.2 多轮上下文感知重写
- 4.3 否定查询与反例查询
- 4.4 检索反馈驱动的迭代重写
- 4.5 混合检索策略
- 五、API调用优化最佳实践
- 5.1 异步并行调用
- 5.2 批量处理
- 5.3 超时与重试机制
- 5.4 成本控制策略
- 5.5 错误处理与降级策略
- 六、效果评估与调优
- 6.1 评估指标
- 6.2 调优建议
- 七、完整示例演示
- 原始查询
- 重写后的查询（3个）
- 并行检索
- 结果合并
- 最终回答
- 总结
一、核心原理与价值
核心思想：利用LLM的语义理解能力，将用户单一、模糊、不完整的原始查询，重写为3-5个语义等价但表述不同、角度互补的查询，然后同时向向量数据库或搜索引擎发起检索，最后合并去重结果。
本质：用计算换召回，通过增加少量LLM调用成本，大幅提升检索系统的覆盖度和准确性，解决RAG中最常见的"语义不匹配"问题。
典型收益：
- 召回率提升30%-60%（尤其对模糊、口语化、专业术语查询）
- 减少"检索不到相关内容"的情况
- 缓解向量嵌入的语义偏差问题
- 自动处理用户查询的歧义性
二、完整实现流程
用户原始查询 ↓ LLM查询重写器（生成3-5个重写查询） ↓ 并行检索器（同时检索所有查询） ↓ 结果合并器（去重、排序、打分） ↓ 上下文增强 ↓ LLM生成最终回答步骤1：基础实现架构
importasyncioimporttimefrom</
