查询改写与 HyDE：提升检索命中率

检索失败的头号原因：词汇不匹配

用户问"钱怎么退回来"，文档写"退款流程" —— 向量再近也有距离。先改写查询，再检索，是性价比最高的优化。

多查询扩展（Multi Query）

让模型把一个问题改写成多个不同角度的查询，分别检索后合并去重：

from langchain.retrievers.multi_query import MultiQueryRetriever

retriever = MultiQueryRetriever.from_llm(
    retriever=vectorstore.as_retriever(), llm=llm)
docs = retriever.invoke("钱怎么退回来？")
# 内部自动生成："退款流程是什么" "如何申请退款" 等多个查询

HyDE：假设文档检索

思路反直觉但有效：先让模型编一个假想的答案，拿这个"答案"去检索 —— 因为答案和真实文档的措辞天然接近：

hyde_prompt = ChatPromptTemplate.from_template(
    "写一段可能的答案（可以不准确）：{question}")
hyde_chain = hyde_prompt | llm | StrOutputParser()

fake_answer = hyde_chain.invoke({"question": q})
docs = vectorstore.similarity_search(fake_answer, k=3)

压缩与上下文优化

检索到的片段可能很长，ContextualCompressionRetriever 用模型把片段压缩到只保留与问题相关的句子，减少噪声、节省 token。

调参顺序建议：先查询改写 → 再调 chunk 大小 → 最后才考虑换 embedding 模型。