HyDE（Hypothetical Document Embeddings，假设性文档嵌入） 是一种创新的 RAG 增强技术。它的核心思想是：不要让用户问题直接去匹配答案，而是先让大模型“想象”一个假设的答案，然后用这个“假设答案”去知识库中寻找最相关的真实文档。 它主要解决的问题是： - 词汇不匹配：用户的查询用语和知识库中文档的用语可能完全不同，尽管它们语义相似。 - 用户问：“感觉心情持续低落，对什么都提不起兴趣，怎么办？” - 知识库有：“重度抑郁障碍的临床表现与治疗策略”。 - 虽然两者高度相关，但直接基于字面相似度的检索可能无法匹配。 - 问题过于简短或模糊：用户的问题可能很短，缺乏足够的上下文信息，导致检索系统难以理解其真实意图。 传统 RAG 是 “问题 -> 检索 -> 答案” 的流程，而 HyDE 在其中增加了一个关键的“想象”步骤。 这听起来有点反直觉，但效果竟然还不错！？
HyDE的工作流程
第一步：生成假设答案 - 收到用户的原始查询后，不直接进行检索。 - 而是先将查询发送给LLM，并要求它生成一个假设性的、高质量的答案。 PS：这个答案是基于模型自身的知识“编造”的，它可能正确，也可能不准确或包含事实错误。我们并不关心它的正确性，只关心它的语义和风格。 比如用户想要查询：“如何给自行车链上油？” LLM 生成的假设答案：“给自行车链上油是一个简单的维护任务，可以显著提升骑行体验并延长链条寿命。首先，您需要准备专用的自行车链条油和一块干净的布。然后将自行车档位调到中间，以便可以顺畅地转动踏板，让链条移动。接着，在链条的每个关节处滴上少量的油，同时缓慢地倒转踏板，确保油均匀分布。最后，用布擦去链条上多余的油，防止吸附灰尘。” (注意：这个回答完全是模型自己“想”出来的，可能漏掉关键步骤或推荐了错误的产品，但这没关系！) 第二步：用假设答案进行检索 - 拿到上一步生成的“假设答案”后，我们将其转换成一个向量。 - 用这个“假设答案”的向量（而不是用户原始问题的向量）去向量数据库中进行相似度搜索，找出最相关的文档片段。 因为“假设答案”通常比原始问题更长、包含更多相关的关键词和上下文。例如，它包含了“链条油”、“倒转踏板”、“擦去多余的油”等具体术语，这些术语更有可能与知识库中正确的指导文档匹配。 而且“假设答案”的文本风格与知识库中的真实文档风格可能是一致的，而用户问题则未必。这使得向量相似度计算更加精准。 第三步：合成最终答案 - 检索系统返回一组与“假设答案”高度相关的真实、可靠的文档片段。 - 将这些真实文档和用户的原始问题一起交给 LLM，让它生成一个事实准确、有据可循的最终答案。