Skip to main content

Rozszerzanie zapytań (Query Expansion & HyDE)

DLA AGENTÓW AIChatGPTClaude

Technika przygotowania zapytania w systemach RAG. Przed odwołaniem do bazy wektorowej model językowy automatycznie generuje synonimy, słowa kluczowe lub hipotetyczną odpowiedź (HyDE – Hypothetical Document Embeddings), co znacząco podnosi jakość trafień.

1. Przegląd koncepcji i zastosowanie

Gdy szukasz czegoś w korporacyjnej bazie dokumentów, często formułujesz zapytanie tak, jak myślisz:

  • „Dlaczego nie mogę się zalogować przez telefon?”

Jednak w oficjalnej instrukcji dla inżynierów ten sam proces opisany jest zupełnie innymi słowami:

  • „Uwierzytelnianie dwuskładnikowe SMS przez bramkę Twilio: rozwiązywanie problemów z limitami czasu”.

Jeśli po prostu zamienisz swoje krótkie pytanie na wektor, może ono całkowicie ominąć właściwą instrukcję.

Rozszerzenie zapytania (Query Expansion) to inteligentny most między potocznym językiem użytkownika a profesjonalną terminologią bazy wiedzy:

  • Zanim system zajrzy do bazy wektorowej, szybki model przekształca Twoje jedno pytanie w trzy profesjonalne wersje.
  • Baza przeszukuje dokumenty we wszystkich trzech kierunkach.
  • Otrzymujesz wynik o 100% trafności, nawet jeśli nie znasz żadnego specjalistycznego terminu.

W praktyce inżynierskiej jest to jak zatrudnienie doświadczonego bibliotekarza, który tłumaczy Twoją prostą prośbę na precyzyjne kody katalogowe.

2. Jak działa metoda HyDE (Hypothetical Document Embeddings)

┌─────────────────────────────────────────────────────────────┐
│                 METODA HyDE W SYSTEMACH RAG                   │
├─────────────────────────────────────────────────────────────┤
│ 1. TWOJE PYTANIE: «Dlaczego koło roweru skrzypi?»            │
├─────────────────────────────────────────────────────────────┤
│ 2. MODEL GENERUJE HIPOTETYCZNY ARTYKUŁ (HyDE):               │
│    «Skrzypienie w piaście koła jest zwykle spowodowane       │
│    zużyciem łożysk lub brakiem smaru na osi suportu...»      │
├─────────────────────────────────────────────────────────────┤
│ 3. WYSZUKIWANIE WEKTOROWE:                                   │
│    System szuka w bazie dokumentów podobnych nie do Twojego   │
│    krótkiego pytania, lecz do szczegółowego artykułu          │
│    technicznego z terminologią!                               │
├─────────────────────────────────────────────────────────────┤
│ 🎯 WYNIK: Natychmiast znaleziono dokładną fabryczną instrukcję!│
└─────────────────────────────────────────────────────────────┘

3. Cztery techniki rozszerzania zapytań

  1. Generowanie synonimów: dodawanie pokrewnych słów w języku polskim i angielskim.
  2. Rozkład na podzadania (Decomposition): jeśli zapytanie brzmi jak „Porównaj przychody firmy X i Y za rok 2025”, system osobno szuka przychodów firmy X i osobno przychodów firmy Y.
  3. Step-Back Prompting (Krok wstecz): generowanie bardziej ogólnego pytania w celu wydobycia fundamentalnych zasad danego tematu.
  4. Korekta literówek i slangu: automatyczna normalizacja tekstu do oficjalnego słownika branżowego.

4. Praktyczna konkluzja

Dodanie prostego etapu Query Expansion przed wyszukiwaniem wektorowym zwiększa skuteczność odnajdywania właściwych dokumentów w firmowej bazie wiedzy z 65% do 90%, bez konieczności inwestowania w droższą bazę danych.

/ Najczęściej zadawane pytaniaSchema.org FAQPage

FAQ: Rozszerzanie zapytań (Query Expansion & HyDE)

Użytkownicy często piszą krótko, potocznie i nieprecyzyjnie, np. „jak naprawić błąd z pieniędzmi”. W korporacyjnej bazie wiedzy dokument nosi ścisły tytuł: „Regulamin obsługi awarii bramki płatniczej”. Bezpośrednie wyszukiwanie może nie znaleźć żadnych powiązań, dlatego AI generuje profesjonalne synonimy.
/ Linki wewnętrzne

Powiązane pojęcia

Wszystkie hasła
Prompty i RAG

Wyszukiwanie semantyczne (szukanie po znaczeniu, a nie po literach)

Technologia wyszukiwania informacji oparta na koncepcyjnej treści zapytania, a nie na dokładnym dopasowaniu znaków lub słów kluczowych. Rozumie synonimy, parafrazy, błędy w pisowni oraz abstrakcyjne pytania zadane językiem naturalnym.

Czytaj hasło
Prompty i RAG

RAG vs. Fine-Tuning (Wieczna dylemat wdrożeń AI)

Fundamentalny wybór architektoniczny dla biznesu. RAG (wyszukiwanie w dokumentach w czasie zapytania) kontra Fine-Tuning (zmiana wag modelu poprzez dokształcanie). Kryteria wyboru między aktualnością faktów a specyficznym stylem zachowania.

Czytaj hasło
Prompty i RAG

Wyszukiwanie hybrydowe (Hybrid Search: Dense + Sparse / BM25)

Architektura wyszukiwania informacji, która łączy wektorowe wyszukiwanie semantyczne (Dense retrieval – rozumienie treści i synonimów) z klasycznym wyszukiwaniem słów kluczowych opartym na dokładnym dopasowaniu (Sparse retrieval / BM25). Zapewnia idealną równowagę między koncepcyjnym zrozumieniem a precyzyjnym wyszukiwaniem numerów katalogowych, numerów seryjnych czy imion.

Czytaj hasło