| 做法 | 一次生成 3-5 条改写查询，分别检索后融合 |
|---|---|
| 收益 | 召回覆盖面更广；对多义问句效果好 |
| 成本 | N 次检索 + 1 次生成调用 |
| 融合 | 按 doc 去重后 RRF / 加权 |
多查询生成提示词
多查询生成提示词
把下面的问题改写成 3 条检索查询，要求：
1) 分别从不同角度表述；2) 保留关键实体与数字；
3) 每行一条，不要编号之外的任何解释。
问题：{{query}}扩展数量 3-5 条性价比最高；更多查询的边际收益很小，反而拉高延迟。
本包目录（159 条）
模型全景与选型27 条接入与 API 要点27 条提示词框架与技巧27 条
RAG 与知识库25 条
- RAG 全流程（检索增强生成）
- 文档解析：入库前的格式清洗
- 递归字符切分（Recursive Splitter）
- 向量库选型：pgvector / Milvus / Qdrant / FAISS
- 混合检索与 RRF 融合
- 固定长度切分（字符/Token 窗口）
- HNSW 向量索引：参数与召回权衡
- 扫描件 OCR 与版面分析
- 相似度度量：cosine / 内积 / L2
- 元数据过滤：把权限与范围带进检索
- 检索评测指标：Hit Rate / MRR / nDCG
- 结构化切分（按标题层级）
- 表格抽取：从版式到结构化数据
- 父子块检索（Small-to-Big）
- RAG 端到端评测（RAGAS 思路）
- 知识库增量更新与失效治理
- 切分重叠（Overlap）与去重
- IVF / PQ 量化索引：省内存的大规模方案
- 查询改写与 HyDE
- 引用溯源：让每条结论可核对
- 语义切分（Semantic Chunking）
- BM25 关键词检索基线
- 多查询扩展（Multi-Query）
- GraphRAG：知识图谱增强检索
- 多模态 RAG：图片、表格与图表
多查询扩展（Multi-Query）
让模型把一个问题改写成多条不同角度的查询，分别检索后取并集或 RRF 融合——用查询多样性换召回覆盖，缓解单条查询视角单一导致的漏检。
易错点
- 扩展查询互相高度重复，等于没扩展
- 扩展后不做融合，多路结果简单首尾拼接
数据来源与参考
- LangChain MultiQueryRetriever 文档；RAG 工程实践