用户问“那个报错怎么修”,直接拿这句话去检索,知识库往往返回一堆无关内容。问题不在知识库,而在查询本身:口语化、缺主语、带指代的原话,和知识库里工整的文档语言根本对不上号。查询改写就是在检索之前,先把用户原话加工成检索系统听得懂的问题。

常见做法有三类。第一是补全指代与省略,把“那个报错”还原成“部署脚本报连接超时”,把“它”指代的具体对象写清楚,补全缺失的主语和限定条件。第二是拆解多意图问题,“怎么部署并配置告警”拆成“部署步骤”和“告警配置”两个查询,分别检索再合并结果,避免一个查询顾此失彼。第三是生成同义改写,用不同的表述问同一个问题,多路召回后再合并去重,提高覆盖率。

改写本身也要设边界。改写不能改变原意,更不能凭空补上用户没说的限定条件,补全的依据只能来自对话上文,不能靠猜测。每次改写保留原始查询,检索失败时可以回退到原话再试一次。实现方式上,简单的指代补全和拆解可以用规则模板完成,成本低、行为可控;涉及同义改写和意图理解时,可以用小模型专门做改写,效果更好,但要限制改写范围,避免模型自由发挥改走原意。

改写的效果需要量化评估,不能凭感觉上线。可以准备一批真实用户问题,分别用原话和改写后的查询检索,记录首条命中率和前五命中率,改写组明显胜出才值得推广。还要注意改写与重排序的配合:改写负责把相关文档召回来,重排序负责把最相关的排到前面,两者分工不同,缺了哪一环效果都会打折扣。线上运行后也要持续抽查,把检索失败的案例攒下来,看看是改写改偏了,还是知识库本身缺内容,前者调改写策略,后者补文档。查询改写看着是个小环节,却是智能体回答质量的源头,值得认真打磨。把改写当成检索系统的正式组件来建设,配上评估和抽查,它会成为智能体回答质量最划算的投入之一。