跳至主要內容

什么是上下文查询增强？它有什么作用？如何基于 Spring AI 实现上下文查询增强来处理无关问题？

安逸Ai大约 6 分钟查询增强Spring AIRAG

什么是上下文查询增强？它有什么作用？如何基于 Spring AI 实现上下文查询增强来处理无关问题？

这道题考的是 RAG 系统中 Advanced RAG 阶段的核心优化技术。面试官想看你能不能把"用户问的东西和知识库写的东西怎么对上"这件事讲清楚。

我从四个方面来讲：概念定义、解决什么问题、核心原理（Query Rewrite 和 HyDE）、Spring AI 怎么实现。

1. 先搞懂概念——上下文查询增强是什么？

上下文查询增强（Contextual Query Enrichment）是 Advanced RAG 阶段的关键技术。

简单说就是：在检索之前，先把用户的问题改写一遍，让它更容易从知识库里找到东西。

RAG 发展有三个阶段：

Naive RAG → 用户问什么就直接去检索，容易踩坑

Advanced RAG → 加了预处理环节，Query Rewrite 就是典型代表

Modular RAG → 各个模块自由组合，更灵活

上下文查询增强属于 Advanced RAG 阶段做的事。它不是直接拿用户的问题去检索，而是先"翻译"一下，把口语化的、模糊的、简略的提问，变成更适合检索的形式。

打个比方：用户像个"说不清需求的甲方"，上下文查询增强就是"需求分析师"，帮你把需求整理清楚，再去找知识库要答案。

阅读全文

2. 它解决什么问题？

RAG 系统有六大痛点：

  1. Missing Content —— 知识库里压根没有
  2. Missed Top Ranked —— 正确答案没排到前面
  3. Not in Context —— 检索到了内容，但和问题对不上
  4. Wrong Format —— 结果格式不对
  5. Incomplete —— 结果不完整
  6. Not Extracted —— 检索到了但没提取出来

上下文查询增强主要解决 Not in Context 这个问题。

什么意思？来看个例子：

用户问："怎么重启服务？"

知识库里写的是："服务重启步骤包括：1. 停止进程 2. 检查端口 3. 启动服务"

Embedding 直接匹配的话，"重启"和"重启步骤"可能匹配度不高。但如果先把问题改写成"服务重启步骤有哪些"，再去检索，就能命中了。

这就是上下文查询增强的价值：弥合用户问法和知识库表述之间的差异。

3. 核心原理—— Query Rewrite 和 HyDE

上下文查询增强有两种主流实现方式：Query Rewrite 和 HyDE。

Query Rewrite：翻译官

Query Rewrite 的思路很直接：用 LLM 把用户的问题改写一遍。

改写的方式有几种：

同义词替换："电脑蓝屏" → "计算机显示蓝色错误画面"

问题澄清：用户问得很模糊，比如"那个问题怎么办"，LLM 会结合对话上下文推断具体指什么

查询扩展：把一个简单问题扩展成多个相关问题，"Java 怎么优化" → "Java性能优化方法"、"Java垃圾回收优化"、"Java内存管理最佳实践"

改写前："内存溢出咋整"

改写后："内存溢出（OutOfMemoryError）的排查步骤和解决方案"

检索结果：✅ 精准命中知识库内容

这就是 Query Rewrite 的魔力。

HyDE：先猜答案再找证据

HyDE 全称 Hypothetical Document Embeddings，翻译过来是"假设性文档嵌入"。

它的思路很特别：不直接改写问题，而是让 LLM 先根据问题生成一个假设性的答案片段，然后用这个假设答案去检索。

流程是这样的：

  1. 用户问："Spring Boot 如何集成 Redis"
  2. LLM 生成假设答案："在 Spring Boot 项目中，可以通过添加 spring-boot-starter-data-redis 依赖，配置 RedisConnectionFactory..."
  3. 用这个假设答案的 embedding 去向量数据库检索
  4. 找到真正匹配的文档

HyDE 的原理是：假设答案和真实答案的 embedding 更接近，因为它们语义相似。这是一种"以结果为导向"的检索思路。

混合检索 + Rerank

单独的 Query Rewrite 或 HyDE 有时候还不够用，业界常用的做法是：

混合检索：BM25（关键词检索）+ 向量检索一起跑

Rerank：用 Cross-Encoder 对初步检索结果重新排序，把最相关的排到前面

上下文压缩：把检索到的长文档压缩，只保留和问题相关的部分

这四步组合起来，就是完整的 Advanced RAG 优化链路。

4. Spring AI 实战——怎么实现上下文查询增强？

Spring AI 提供了统一的抽象，类似 JDBC 屏蔽数据库差异那样，屏蔽了底层向量库的差异。

实现 Query Rewrite

核心是用 Spring AI 的 ChatClient 调用 LLM 做改写：

java
@Autowired
private ChatClient chatClient;

public String rewriteQuery(String userQuery) {
String prompt = """
你是一个查询改写助手。将用户的原始问题改写成更适合检索的形式。
改写要求：
1. 使用更正式、技术性的表达
2. 可以添加同义词和相关概念
3. 保持原意不变

    原始问题：%s
    改写后的问题：
    """.formatted(userQuery);

return chatClient.prompt()
    .user(prompt)
    .call()
    .content();

}

这样就能把用户输入转化成更适合检索的形式。

结合向量数据库

假设你用的是 Milvus：

java
@Bean
public VectorStore vectorStore() {
return new MilvusVectorStore(new MilvusVectorStoreOptions.Builder()
.host("localhost")
.port(19530)
.databaseName("knowledge_base")
.build());
}

实现 HyDE

HyDE 的实现稍微复杂一点，需要先生成假设答案：

java
public String generateHypotheticalAnswer(String query) {
String prompt = """
基于以下问题，生成一段假设性的回答。这个回答可能不完全准确，但语义上与正确答案接近。
问题：%s
""".formatted(query);

return chatClient.prompt()
    .user(prompt)
    .call()
    .content();

}

然后用这个假设答案去检索：

java
public ListhydeSearch(String query) {
// 1. 生成假设答案
String hypotheticalAnswer = generateHypotheticalAnswer(query);

// 2. 用假设答案检索
return vectorStore.similaritySearch(hypotheticalAnswer);

}

完整链路示例

用户问题 → Query Rewrite → 混合检索(BM25 + 向量) → Rerank → 上下文压缩 → LLM 生成

Spring AI 支持多种向量数据库，Milvus、Pinecone、Chroma、Weaviate 都可以，选型建议是：

  • 小规模项目用 Chroma（轻量、本地部署）
  • 生产环境用 Milvus 或 Pinecone（支持分布式、可扩展）

面试怎么答？

基础版

上下文查询增强是 Advanced RAG 的核心技术。它解决的是"用户问的东西和知识库写的东西对不上"的问题。

实现方式主要是 Query Rewrite，用 LLM 把用户的原始问题改写成更适合检索的形式，比如同义词替换、问题澄清、查询扩展。另一种方式是 HyDE，先生成假设性答案片段，再用它去检索。

加分版

可以画出 RAG 演进三阶段：Naive RAG → Advanced RAG → Modular RAG，上下文查询增强位于 Advanced RAG 阶段。

Query Rewrite 和 HyDE 各有适用场景：Query Rewrite 适合处理口语化、模糊的提问；HyDE 适合问题表述和答案风格差异大的情况。

完整优化链路是：Query Rewrite + 混合检索（BM25 + 向量）+ Cross-Encoder Rerank + 上下文压缩。Spring AI 可以通过 ChatClient + VectorStore 实现这套链路，底层向量库可以根据规模选择 Milvus 或 Pinecone。

一句话总结

上下文查询增强就是在检索之前先"翻译"一下用户的问题，让口语化的提问变成技术化的检索语句，弥合用户问法和知识库表述之间的鸿沟。