RAG检索优化的方法论之一，是通过对问题进行改写和优化。例如，当用户输入一个问题（query）时，由于用户行为的不可控性，输入内容可能包含错别字、语义错误或无意义信息。
在多轮对话场景下，这种情况会严重影响数据召回的效果，是RAG系统面临的核心痛点。
RAG检索优化：问题改写的重要性
RAG问题改写的方法多种多样，包括问题优化、相似性子问题生成、假设性回复等。其核心在于利用大模型的能力，对用户提问进行完善和增强。
然而，在进行问题改写时，基于历史对话记录进行改写至关重要。为什么会这样？
举例来说，用户提出“怎么学习人工智能技术？”这一问题。RAG系统经过文档检索、生成增强等处理后给出回答，但用户可能认为不够全面，进而提出第二个问题“继续”，意在第一个问题基础上继续追问。这便是典型的多轮对话场景。
那么，当第二个问题“继续”被输入时，会出现什么情况？
若不进行问题改写，基于原始的“继续”二字，数据召回技术可能匹配到完全不相关的内容。这是因为RAG系统缺乏完整的上下文，无法理解“继续”的真实意图，只能进行字面匹配，从而导致召回结果与用户意图严重偏离。这显然是一个关键问题。
RAG的工作原理在于检索和增强是两个独立的步骤。检索旨在通过相似度或其他方式，从向量库或知识存储中获取相关参考文档；而增强则是在检索到的文档基础上，由大模型利用这些文档进行信息整合和生成。
因此，在多轮对话中，确保上下文的完整性至关重要。
尽管在没有问题改写的情况下，用户输入“继续”可能召回无关文档，但如果模型具备记忆功能，它在生成阶段仍能基于自身能力进行回复，而非完全依赖外部知识库。然而，这种回复的质量和相关性远不及基于检索增强的回复。
由此可见，问题改写的重要性不言而喻。若不改写，用户原始问题在丢失上下文的情况下将导致文档召回偏差。因此，在进行问题改写时，务必融入历史对话记录。这将使大模型能够以历史记录作为上下文，更准确地理解用户当前提问，进而生成更相关的问题，以大幅提升文档召回的准确性，最终实现高质量的增强生成效果。
然而，这也带来一个挑战：当用户的两个问题完全无关时，利用历史问题来优化当前问题，反而可能导致召回文档的不准确性。因此，针对这种场景，仍需探索其他解决方案，以期达到最佳优化效果。
