二、问题分解
2.1 简介
问题分解 (Query Decomposition)是指将一个内容较为复杂或结构多层的提问（即主任务），拆分为若干个相对简单、易于处理的子问题（即子任务）。这一思路与人类处理复杂问题时的惯用方式类似：先分步解决各个小环节，再整合得出最终结论。
在 RAG 应用中，该方法能够有效规避因问题过于宽泛和笼统而导致的检索偏差，从而提升对复杂查询的整体应答质量。
2.2 核心思想
其核心理念可概括为“分步拆解”与“层层递进”：
- 化繁为简：复杂的提问通常对应知识库中多个分散的信息点。通过将问题拆解，使每一次检索的目标更加清晰具体。
- 逻辑窜联：部分提问需要先了解前提问题（A），才能回答后续问题（B）。分解有助于理清这种先后依赖关系。
- 整合输出：将多个局部信息汇总融合，最终形成一个完整且具有深度的综合性答案。
2.3 实现原理
A. 串行执行 (Sequential/Chain of Thought)
该模式下，各子任务之间存在
逻辑先后关系：
- 分解阶段：大语言模型将原始问题拆分为若干个存在依赖关系的子问题（如：子问题1、子问题2……子问题N）。
- **逐步执行：**先处理“子问题1”，获得对应的答案内容“答案1”。
- **信息传递：**将“答案1”作为提示词（Prompt），并与“子问题2”一起输入模型。
- **递进处理：**模型在回答后续子问题时，能够借助之前已获取的信息进行推理。
- 适用场景：适用于需要多步推理的任务。例如提问“梁文锋创立的公司现在市值多少？”——需先确定该公司为宇树科技，再进一步查询其市值。
B. 并行执行 (Parallel/Multi-Query)
该模式下，各子任务之间
相对独立，无先后依赖：
- 分解阶段：大语言模型将原始问题拆分为多维度的多个彼此不干扰的子问题。
- **并发处理：**将所有子问题同时提交给检索系统，并为每个子问题分别获取对应的“局部结果”。
- **结果整合 (Aggregation)：**最后再由大语言模型将所有局部结果汇总，生成最终的综合性回答。
- **适用场景：**适用于对比分析或综合类问题。例如提问“对比 苹果手机 和 华为手机的优缺点”——可拆分为“苹果手机的优缺点”和“华为手机的优缺点”两个独立子任务并行处理。
2.4 优势
问题分解 (Decomposition)使得 RAG 从原本简单的“提问—回答”模式，升级为具备“任务处理”能力的系统。它借助大语言模型的规划机制，将一个难以直接跨越的复杂问题，拆解为多个易于执行的小步骤，从而逐步完成整体解答。
三、问题分解实现方式
3.1 数据准备
此处，选用番茄炒蛋的制作教程数据作为示例，将数据切分成如下三块：
from langchain_core.documents import Documentfrom langchain_chroma import Chroma# 假设切分过的数据documents = [ Document(page_content="番茄炒蛋的食材：\n\n- 新鲜鸡蛋：3-4个（根据人数调整）\n- 番茄：2-3个中等大小\n- 盐：适量\n- 白糖：一小勺（可选，用于提鲜）\n- 食用油：适量\n- 葱花：少许（可选，用于增香）\n\n这些是最基本的材料，当然也可以根据个人口味添加其他调料或配料。"), Document(page_content="番茄炒蛋的步骤：鸡蛋打入碗中，加入少许盐，用筷子或打蛋器充分搅拌均匀；\n - 番茄洗净后切成小块备用。\n\n3. **炒鸡蛋**：锅内倒入适量食用油加热至温热状态，然后将搅拌好的鸡蛋液缓缓倒入锅中。待鸡蛋凝固时轻轻翻动几下，让其受热均匀直至完全熟透，随后盛出备用。\n\n4. **炒番茄**：在同一锅里留下的底油中放入切好的番茄块，中小火慢慢翻炒至出汁，可根据个人口味加一点点白糖提鲜。\n\n5. **合炒**：当番茄炒至软烂并开始释放大量汤汁时，再把之前炒好的鸡蛋倒回锅里，快速与番茄混合均匀，同时加入适量的盐调味。如果喜欢的话还可以撒上一些葱花增加香气。\n\n6. **完成**：最后检查一下味道是否合适，确认无误后即可关火装盘享用美味的番茄炒蛋啦！"), Document(page_content="技巧与注意事项：1. **选材**：选择新鲜的鸡蛋和成熟的番茄。新鲜的食材是做好这道菜的基础。\n2. **打蛋液**：将鸡蛋打入碗中后加入少许盐（根据个人口味调整），然后充分搅拌均匀。这样做可以让蛋更加松软且味道更佳。\n3. **处理番茄**：番茄最好先用开水稍微焯一下皮，然后去皮切块。这样可以去除表皮的硬质部分，让番茄更容易入味，并且口感更好。\n4. **热锅冷油**：先用中小火把锅烧热，再倒入适量食用油，待油温五成热时下蛋液。这样的做法可以使蛋快速凝固形成漂亮的形状而不易粘锅。\n5. **分步烹饪**：通常建议先炒鸡蛋至半熟状态取出备用；接着利用剩下的底油继续翻炒番茄至出汁，最后再将之前炒好的鸡蛋倒回锅里与番茄混合均匀加热即可。\n6. **调味品**：除了基本的盐之外，还可以根据喜好添加少量糖来提鲜或者一点酱油增色添香。注意调味料不宜过多以免掩盖了食材本身的味道。\n7. **出锅前加葱花**：如果喜欢的话，在即将完成时撒上一些葱花不仅能增加菜品色泽还能增添香气。") ] # 初始化向量库vectorstore = Chroma.from_documents(documents=documents, embedding=embeddings_model, collection_name="decomposition")# 初始化检索器retriever = vectorstore.as_retriever(search_kwargs={"k": 1})先采用基础的 RAG 检索方式进行效果验证：
pretty_print_docs(retriever.invoke("番茄炒蛋怎么制作？"))运行结果显示如下：
运行结果显示，从向量库中只检索出了制作材料，制作步骤并未被检索出来。将这样不完整的数据交给 LLM 进行整合，无法给出正确答案，因此需要采用特定的优化方案。
3.2 问题分解
首先将用户提问的原始问题拆解为若干个子问题，随后再分别到向量库中进行检索：
from langchain.retrievers.multi_query import LineListOutputParser# 设置问题拆分模版QUERY_PROMPT = PromptTemplate( input_variables=["question"], template="""你是一名AI语言模型助理。你的任务是将输入问题分解成3个子问题， 通过一个个解决这些子问题从而解决完整的问题。子问题需要在矢量数据库中检索相关文档。 通过分解用户问题生成子问题，你的目标是帮助用户克服基于距离的相似性搜索的一些局限性。 请提供这些用换行符分隔的子问题本身，不需要额外内容。原始问题: {question}""",)chain = QUERY_PROMPT | llm | LineListOutputParser()chain.invoke({"question":"番茄炒蛋怎么制作？"})运行结果如下，成功的把用户的一个问题拆分成了三个问题：
3.3 拆分问题检索
分别对拆分的问题进行检索，代码如下：
from langchain_core.retrievers import BaseRetrieverfrom langchain_core.language_models import BaseLanguageModelfrom langchain_core.prompts import PromptTemplate,BasePromptTemplatefrom langchain.retrievers.multi_query import LineListOutputParserfrom langchain_core.callbacks import CallbackManagerForRetrieverRunfrom typing import Listfrom langchain_core.documents import Documentfrom langchain_core.runnables import Runnable,RunnableLambdaDEFAULT_QUERY_PROMPT = PromptTemplate( input_variables=["question"], template="""你是一名AI语言模型助理。你的任务是将输入问题分解成3个子问题， 通过一个个解决这些子问题从而解决完整的问题。子问题需要在矢量数据库中检索相关文档。 通过分解用户问题生成子问题，你的目标是帮助用户克服基于距离的相似性搜索的一些局限性。 请提供这些用换行符分隔的子问题本身，不需要额外内容。原始问题: {question}""", )DEFAULT_SUB_QUESTION_PROMPT = PromptTemplate( input_variables=["question", "sub_question", "documents"], template="""要解决主要问题{question}，需要先解决子问题{sub_question}。以下是 为支持您的推理而提供的参考文档：{documents}。请直接给出当前子问题的答案。""",)class DecompositionQueryRetriever(BaseRetriever): # 向量数据库检索器 retriever: BaseRetriever # 生成子问题链 llm_chain: Runnable # 解决子问题链 sub_llm_chain: Runnable @classmethod def from_llm( cls, retriever: BaseRetriever, llm: BaseLanguageModel, prompt: BasePromptTemplate = DEFAULT_QUERY_PROMPT, sub_prompt:BasePromptTemplate = DEFAULT_SUB_QUESTION_PROMPT ) -> "DecompositionQueryRetriever": output_parser = LineListOutputParser() llm_chain = prompt | llm | output_parser sub_llm_chain = sub_prompt | llm return cls( retriever=retriever, llm_chain=llm_chain, sub_llm_chain=sub_llm_chain ) def _get_relevant_documents( self, query: str, *, run_manager: CallbackManagerForRetrieverRun, ) -> List[Document]: # 生成子问题 sub_queries = self.generate_queries(query) # 解决子问题 documents = self.retrieve_documents(query,sub_queries) return documents def generate_queries(self, question: str) -> List[str]: response = self.llm_chain.invoke({"question": question}) lines = response print(f"Generated queries: {lines}") return lines def retrieve_documents(self,query:str, sub_queries: List[str]) -> List[Document]: sub_llm_chain = RunnableLambda( # 传入子问题，检索文档并回答 lambda sub_query: self.sub_llm_chain.invoke( { "question": query, "sub_question": sub_query, "documents": [doc.page_content for doc in self.retriever.invoke(sub_query)] } ) ) # 批量执行所有的子问题 responses = sub_llm_chain.batch(sub_queries) # 将子问题和答案合并作为解决主问题的文档 documents = [ Document(page_content=sub_query + "\n" + response.content) for sub_query, response in zip(sub_queries, responses) ] return documents # 开始检索decompositionQueryRetriever = DecompositionQueryRetriever.from_llm( llm=llm, retriever=retriever)decomposition_docs = decompositionQueryRetriever.invoke("番茄炒蛋怎么制作？")pretty_print_docs(decomposition_docs)运行结果如下：
3.4 答案生成
将子问题检索出的结果，连同原始问题一起交给 LLM，生成最终答案：
#创建prompt模板template = """请根据以下文档回答问题:### 文档:{context}### 问题:{question}""" #由模板生成promptprompt = ChatPromptTemplate.from_template(template)chain = prompt | llm response = chain.invoke({"context":[doc.page_content for doc in decomposition_docs],"question": "番茄炒蛋怎么制作？"})print(response.content)生成结果如下，能够准确地回答用户提出的问题：
四、总结
问题分解的核心是将复杂问题拆解为多个简单子问题分别检索，再汇总答案，使RAG具备多步推理能力。实现方式分为两种：串行执行适用于子问题存在依赖关系的场景（如“先查A再查B”），需逐步推理；并行执行适用于子问题相互独立的场景（如对比分析），可同时检索提升效率。该方法的优势在于能够应对复合查询、避免检索遗漏、提升答案完整性；但也会增加LLM调用次数，带来额外的延迟与成本开销。实践建议：对于多跳推理或综合类问题，优先采用问题分解；对于单点事实查询，直接使用基础RAG即可。
2026年AI行业最大的机会，毫无疑问就在应用层！
字节跳动已有7个团队全速布局Agent
大模型岗位暴增69%，年薪破百万！
腾讯、京东、百度开放招聘技术岗，80%与AI相关……
如今，超过60%的企业都在推进AI产品落地，而真正能交付项目的大模型应用开发工程师**，**却极度稀缺！
落地AI应用绝对不是写几个prompt，调几个API就能搞定的，企业真正需要的，是能搞定这三项核心能力的人：
✅RAG：融入外部信息，修正模型输出，给模型装靠谱大脑
✅Agent智能体：让AI自主干活，通过工具调用（Tools）环境交互，多步推理完成复杂任务。比如做智能客服等等……
✅微调：针对特定任务优化，让模型适配业务
目前，脉脉上有超过1000家企业发布大模型相关岗位，人工智能岗平均月薪7.8w！实习生日薪高达4000！远超其他行业收入水平！
技术的稀缺性，才是你「值钱」的关键！
具备AI能力的程序员，比传统开发高出不止一截！有的人早就转行AI方向，拿到百万年薪！👇🏻👇🏻
AI浪潮，正在重构程序员的核心竞争力！现在入场，仍是最佳时机！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
⭐️从大模型微调到AI Agent智能体搭建
剖析AI技术的应用场景，用实战经验落地AI技术。从GPT到最火的开源模型，让你从容面对AI技术革新！
大模型微调
掌握主流大模型（如DeepSeek、Qwen等）的微调技术，针对特定场景优化模型性能。
学习如何利用领域数据（如制造、医药、金融等）进行模型定制，提升任务准确性和效率。
RAG应用开发
- 深入理解检索增强生成（Retrieval-Augmented Generation, RAG）技术，构建高效的知识检索与生成系统。
- 应用于垂类场景（如法律文档分析、医疗诊断辅助、金融报告生成等），实现精准信息提取与内容生成。
AI Agent智能体搭建
- 学习如何设计和开发AI Agent，实现多任务协同、自主决策和复杂问题解决。
- 构建垂类场景下的智能助手（如制造业中的设备故障诊断Agent、金融领域的投资分析Agent等）。
如果你也有以下诉求：
快速链接产品/业务团队，参与前沿项目
构建技术壁垒，从竞争者中脱颖而出
避开35岁裁员危险期，顺利拿下高薪岗
迭代技术水平，延长未来20年的新职业发展！
……
那这节课你一定要来听！
因为，留给普通程序员的时间真的不多了！
立即扫码，即可免费预约
「AI技术原理 + 实战应用 + 职业发展」
「大模型应用开发实战公开课」
👇👇
👍🏻还有靠谱的内推机会+直聘权益！！
完课后赠送：大模型应用案例集、AI商业落地白皮书
