Mở rộng truy vấn là công nghệ tự động bổ sung truy vấn tìm kiếm do người dùng nhập bằng từ đồng nghĩa, từ liên quan và cách diễn giải để cải thiện độ chính xác tìm kiếm của hệ thống RAG.
Mở rộng truy vấn là một công nghệ giúp tăng khả năng thu hồi các tìm kiếm vectơ bằng cách mở rộng và đa dạng hóa các truy vấn đầu vào của người dùng bằng LLM và từ điển đồng nghĩa. Nó được sử dụng rộng rãi như một phương tiện để cải thiện độ chính xác của hệ thống RAG.
Có ba phương pháp chính. ①HyDE (tạo tài liệu giả định): LLM tạm thời tạo ra một câu trả lời lý tưởng, chuyển đổi nó thành một vectơ và sử dụng nó làm truy vấn. ②Đa truy vấn: Tạo nhiều phiên bản của truy vấn ban đầu bằng cách sử dụng các biểu thức khác nhau và thực hiện tìm kiếm song song. ③Phân tách truy vấn con: Phân tách một câu hỏi phức tạp thành nhiều câu hỏi đơn giản rồi tìm kiếm.
Vào năm 2026, HyDE sẽ trở thành xu hướng chủ đạo nhờ hiệu quả chi phí cao. Điều này là do một cuộc gọi LLM bổ sung có thể cải thiện đáng kể độ chính xác của tìm kiếm. Mặt khác, đối với nhiều truy vấn, chi phí API tăng tỷ lệ thuận với số lượng truy vấn được tạo và cần lưu ý rằng chi phí trung bình là 0,001 USD đến 0,005 USD cho mỗi truy vấn bổ sung.
Cạm bẫy lớn nhất trong hoạt động thực tế là "mở rộng quá mức". Nếu truy vấn quá rộng, các tài liệu không liên quan cũng được triệu tập, điều này có xu hướng gây tác dụng ngược là làm giảm chất lượng câu trả lời. Trong các trường hợp triển khai được ReviewAI xác nhận, mô hình giới hạn truy vấn mở rộng ở mức 3 đến 5 và kết hợp với Xếp hạng lại có sự cân bằng tốt nhất về độ chính xác và tốc độ.