RAG 通过结合大型语言模型 (LLM) 的生成能力和外部知识库的检索能力，能够生成更准确、更可靠、更具信息量的响应。然而，当用户查询包含多个语义或较为复杂时，RAG 系统的检索效果往往会受到影响。查询改写 (Query Rewriting) 作为一种有效的优化手段，可以通过将复杂查询转化为更易于检索的形式，显著提升 RAG 系统的性能。

1. 为什么需要查询改写？

在 RAG 系统中，检索模块负责根据用户查询从知识库中检索相关文档。检索的质量直接影响最终生成结果的质量。然而，用户查询往往存在以下问题，导致检索效果不佳：

• 语义多样性：用户查询可能包含多个方面的含义，例如 “iPhone 13 Pro Max 的拍照效果和电池续航怎么样？”。
• 语义模糊性：用户查询可能表达不够清晰或存在歧义，例如 “苹果手机拍照最好的型号”。
• 隐式信息：用户查询可能省略了一些背景信息或常识，例如 “流浪地球 2 的评价” (隐含了查询电影评价的意图)。
• 口语化表达：用户查询可能使用非正式的、口语化的表达方式，例如 “我想找个能玩大型游戏的手机，不要太贵的”。
• 复杂逻辑关系：