HyDE (nhúng tài liệu giả định) là phương pháp sử dụng LLM để tạo tài liệu trả lời giả định cho truy vấn và sử dụng vectơ nhúng đó để cải thiện độ chính xác của tìm kiếm RAG.
HyDE (Nhúng tài liệu giả thuyết) là một phương pháp mở rộng RAG được đề xuất bởi Gao et al. (2022). RAG bình thường thực hiện tìm kiếm vectơ bằng cách nhúng nguyên truy vấn ngắn của người dùng, nhưng vấn đề là khoảng cách biểu thức giữa truy vấn và tài liệu thực tế làm giảm độ chính xác của tìm kiếm. Để giải quyết vấn đề này, trước tiên HyDE cho phép LLM tạo ra ``loại tài liệu nào sẽ trả lời truy vấn này?'' và sau đó sử dụng tính năng nhúng tài liệu giả định đó làm truy vấn tìm kiếm. Vì tài liệu giả định có văn phong và từ vựng tương tự như tài liệu thực tế nên các phép tính tương tự trên không gian vectơ hoạt động với độ chính xác cao.
Tại nơi làm việc vào năm 2026, nó sẽ được áp dụng ngày càng nhiều cho RAG tài liệu nội bộ và bot hỗ trợ khách hàng. Chủ yếu có ba cạm bẫy trong hoạt động thực tế: (1) Độ trễ phản hồi tăng từ 300 đến 800 ms do có thêm một lệnh gọi LLM, (2) Nếu LLM tạo ra một tài liệu giả thuyết không chính xác, việc tìm kiếm sẽ bỏ sót dấu do chuỗi ảo giác và (3) Thời gian ban đầu để điều chỉnh lời nhắc tạo giả thuyết có thể là từ 2 đến 5 ngày. Hướng dẫn lựa chọn có hiệu quả khi truy vấn ngắn hoặc thông tục hoặc khi có nhu cầu cấp thiết để cải thiện độ chính xác trong một lĩnh vực chuyên biệt. Đối với các ứng dụng chỉ cần tìm kiếm từ khóa đơn giản thì hiệu quả chi phí triển khai thấp.