HyDE
一种RAG检索优化技术，通过让语言模型先生成假设性答案文本，再用该文本的向量去检索真实文档，以缩小查询与文档之间的语义距离
核心事实
时间轴 (近 90 天)
查询扩展、HyDE和拼写归一化在查询侧往往比更换嵌入模型更有效。
SAFE-QE 每次查询仅注入 4.3 个无支撑词，而 Query2doc 为 27.8 个，HyDE 为 57.5 个
Query2doc 通过生成短段落、HyDE 通过生成假设性文档来实现基于 LLM 的查询扩展
HyDE 方法每次查询注入的幻觉词数量约为 SAFE-QE 的 13 倍
HyDE的代价是每次检索多一次LLM调用，适合对延迟不敏感但召回率要求较高的场景
层级摘要索引的思路以 HyDE、父子文档检索等变体形式重新出现在主流 RAG 框架中
HyDE（假设文档嵌入）让模型先生成一段假设性答案，再用该文本的向量去检索真实文档，以拉近查询与文档的语义距离
第一阶段采用HyDE风格检索，但查询不是原始条款，而是该条款的一个假设性的、相互矛盾的版本
Advanced RAG在检索前引入Query Rewriting（查询改写）和HyDE（假设性文档嵌入）优化查询质量，在检索后通过Cross-Encoder重排序和上下文压缩提升相关性
全部知识事实 (10)
HyDE（Hypothetical Document Embeddings）是一种查询改写策略，让大模型先生成假设性答案文档再用于检索
75%待验证查询扩展、HyDE和拼写归一化在查询侧往往比更换嵌入模型更有效。
50%待验证Query2doc 通过生成短段落、HyDE 通过生成假设性文档来实现基于 LLM 的查询扩展
50%待验证SAFE-QE 每次查询仅注入 4.3 个无支撑词，而 Query2doc 为 27.8 个，HyDE 为 57.5 个
50%待验证HyDE 方法每次查询注入的幻觉词数量约为 SAFE-QE 的 13 倍
50%待验证HyDE的代价是每次检索多一次LLM调用，适合对延迟不敏感但召回率要求较高的场景
50%待验证层级摘要索引的思路以 HyDE、父子文档检索等变体形式重新出现在主流 RAG 框架中
50%待验证HyDE（假设文档嵌入）让模型先生成一段假设性答案，再用该文本的向量去检索真实文档，以拉近查询与文档的语义距离
50%待验证第一阶段采用HyDE风格检索，但查询不是原始条款，而是该条款的一个假设性的、相互矛盾的版本
50%待验证Advanced RAG在检索前引入Query Rewriting（查询改写）和HyDE（假设性文档嵌入）优化查询质量，在检索后通过Cross-Encoder重排序和上下文压缩提升相关性
50%