【值得收藏】让大模型“懂“你的内部资料：RAG与HyDE技术解析

文章介绍了提升大语言模型知识获取能力的两种技术：RAG直接将用户查询编码检索文档，但依赖查询清晰度；HyDE先让LLM生成假设性文本再检索，提高准确率。HyDE特别适合查询模糊或内容复杂场景，通过"以假乱真"找到更精准知识，使大模型在特定领域表现更稳定可靠。掌握这两种技术，能显著提升LLM回答质量和专业性。

和老莫一起学AI

666人浏览 · 2025-09-29 10:50:51

和老莫一起学AI · 2025-09-29 10:50:51 发布

大家在使用 大语言模型（LLM） 搭建企业知识库或进行专业问答时，是不是经常遇到回答不够精准或遗漏关键信息的情况？这通常是因为模型没有实时获取到你的“内部资料”。

今天我们来聊聊让 LLM 知识更上一层楼的两项关键技术：RAG（检索增强生成），以及它的升级版 HyDE（假设性文档嵌入）。

为什么需要 RAG 和 HyDE？

LLM 就像一个记忆力超强的学生，但它的知识储备有截止日期。RAG 和 HyDE 的核心作用就是：实时连接外部的“额外文档”（比如公司的最新报告、专业论文等），让 LLM 能根据这些最新、最专业的资料来生成回答。

传统 RAG

看图上半部分的 RAG 流程：

用户提出 查询（Query）。
嵌入模型（Embedding model） 直接将这个查询编码成一串数字（向量）。
用这串数字去 向量数据库（Vector database） 中进行 相似性搜索。
找到 最相似的文档（Similar documents），作为 检索到的上下文（Retrieved context）。
将“查询”和“检索到的上下文”一起输入给 LLM，生成最终的回答。

局限性： 这种方式高度依赖你的查询表达。如果你的问题比较口语化、抽象或带有歧义，那么检索到的文档可能不够精准，影响最终答案质量。

升级版 HyDE

看图下半部分的 HyDE 流程：它增加了一个巧妙的中间步骤。

用户提出 查询（Query）。
LLM 接收查询后，先不急着去检索。它会根据查询提示自己 “生成”一段假设性文本（Hypothetical text）（Prompt: “请写一个关于 $\text{}$ 的段落”）。
HyDE 不会使用这个假设性文本作为最终答案！ 而是将这个“假设性文本”进行编码。
使用这个更具体、更专业的“假设性文本”的向量去数据库里进行 相似性搜索。
找到的文档和原始的查询、假设性文本一起喂给最终的 LLM。
LLM 生成最终的答案。

优势：假设性文本通常比原始查询更接近知识库中文档的风格和专业程度。它充当了一个“更专业的中介”，使检索结果的精准度大大提高，从而提升 LLM 的回答质量。

总结

技术	检索依据	适用场景
RAG	原始的用户查询	查询表达清晰、知识库内容简单直接时。
HyDE	LLM生成的假设性文本	查询表达模糊、内容专业复杂、追求更高检索准确率时。