查询改写
RAG和信息检索系统中的优化技术，将用户或Agent的自然语言查询转化为更适合搜索引擎处理的格式，以提升召回率和检索相关性
时间轴 (近 90 天)
Query Fan-out 与传统的查询改写（query rewriting）和查询扩展（query expansion）的区别在于：后两者一般仍围绕单一检索意图，而 fan-out 把一个问题拆解成多个彼此独立、各自执行的子查询，分别检索不同数据源后整合。
查询改写（Query Rewriting）解决的是用户提问口语化、指代不明的问题，常用手段包括用大模型把问题重写成更利于检索的表述、把单轮提问扩展为多个相关子问题，以及基于历史对话补全上下文。
查询改写的典型做法是设计专门的Prompt模板，将最近N轮对话历史和当前用户输入一起传给LLM，让其输出语义完整、可独立检索的查询语句
多轮对话查询改写的核心是利用大语言模型对多轮对话的上下文进行理解和压缩，将模糊的追问补全为完整、独立的查询语句
查询改写的高级实现包括意图识别、指代消解和多意图拆分
全部知识事实 (5)
Query Fan-out 与传统的查询改写（query rewriting）和查询扩展（query expansion）的区别在于：后两者一般仍围绕单一检索意图，而 fan-out 把一个问题拆解成多个彼此独立、各自执行的子查询，分别检索不同数据源后整合。
50%待验证查询改写（Query Rewriting）解决的是用户提问口语化、指代不明的问题，常用手段包括用大模型把问题重写成更利于检索的表述、把单轮提问扩展为多个相关子问题，以及基于历史对话补全上下文。
50%待验证查询改写的典型做法是设计专门的Prompt模板，将最近N轮对话历史和当前用户输入一起传给LLM，让其输出语义完整、可独立检索的查询语句
50%待验证多轮对话查询改写的核心是利用大语言模型对多轮对话的上下文进行理解和压缩，将模糊的追问补全为完整、独立的查询语句
50%待验证查询改写的高级实现包括意图识别、指代消解和多意图拆分
50%