【随笔】RAG查询改写：补全上下文，别改丢用户条件

用户上一轮问“月付套餐怎么退款”，下一轮只说“那年付呢？”如果把后一句直接送进向量检索，检索器既不知道“那”指什么，也缺少退款这个主题；如果改写时照搬上一轮套餐，又会找回月付规则。

RAG查询改写解决的是检索表达问题：把当前问题和必要上下文组织成检索器能使用的查询，同时保留用户真正提出的条件。本文沿着“补全指代→保留约束→验证候选→执行检索”的顺序，给出一个可以直接运行的例子。

一、改写、压缩与扩展分别做什么

查询改写位于检索前。它可以消除口语赘词、补充明确的指代、把用户用语对应到知识库术语，但不能提前编造答案。

Spring AI2.0.2把对话压缩、查询改写和多查询扩展作为不同组件：CompressionQueryTransformer用于结合历史形成独立问题，RewriteQueryTransformer用于调整检索表达，MultiQueryExpander产生多种查询形式。这说明它们可以组合，但职责不同。Spring AI的RAG模块说明

改写后的查询是检索输入，原始问题仍然保留。 最终回答要面对用户原本的请求；排查错答时也需要知道，偏差发生在理解、改写、检索还是生成阶段。

二、先确定哪些条件不能变

对于套餐退款场景，可以把输入拆成三个部分：

本轮明确说“年付”，就要覆盖上一轮的“月付”；本轮没有变更地区，可以继续使用已确认的地区。若上下文中同时存在多个产品，“它”的指向无法确定，就应追问，而不是替用户选一个。

否定、数字与精确标识尤其容易在概括中丢失。 “禁止自动续费”不能变成“自动续费”，“v2迁移到v3”不能交换方向，错误码、订单号和类名也不能随意替换成近义词。

图中的“年付”来自本轮明确输入，“退款”来自当前对话主题。两者的来源不同，更新规则也不同。

权限字段应由服务端可信上下文提供。让模型生成一整段查询，再从自然语言里猜测租户过滤条件，会把表达处理和访问控制混在一起。

三、一条可靠的改写流水线

保留原始问题后，先解析明确条件，再让改写组件建议检索词。对候选做校验，最后由程序把确定条件与检索词组合起来：

这里的校验至少覆盖四类变化：

• 是否遗漏已确认条件，例如年付、地区和产品版本。
• 是否把本轮更正覆盖回旧值。
• 是否添加没有来源的事实，例如“七天无条件退款”。
• 是否把限制或否定改成相反含义。

结构化约束比只写一句“不要改变原意”更容易检查。 可以要求候选返回套餐、主题和检索词等字段，用服务端已确认值逐项核对。字段正确仍不保证任意自由文本都正确，因此关键条件应由程序重新拼接，而不直接信任模型生成的整段查询。

校验失败时要区分原因：候选漂移可以重新生成或退回已确认的规范表达；用户信息缺失则需要追问。把“那年付呢”原样退回检索，仍然没有补齐问题。

四、完整示例：年付追问不能搜成月付退款

下面使用Python3.10及以上版本，不依赖模型服务。示例用人工构造的候选模拟改写组件输出，重点验证条件更新、候选校验和检索范围。套餐与主题假定已从用户明确表达中确认；真实应用需要单独实现并评估这一解析步骤。

from dataclasses import dataclass, replace

@dataclass(frozen=True)
class Request:
plan: str | None
topic: str
region: str
tenant: str
version: str

@dataclass(frozen=True)
class Proposal:
plan: str
topic: str
terms: tuple[str, ...]

ALLOWED = {'退款': {'退款', '退订', '退款条件'},
'禁止自动续费': {'禁止自动续费', '关闭自动续费'}}

def resolve(history: Request, explicit_plan: str | None) –> Request:
return replace(history, plan=explicit_plan or history.plan)

def validate(req: Request, candidate: Proposal) –> None:
if req.plan is None:
raise ValueError('需要确认套餐')
if candidate.plan != req.plan or candidate.topic != req.topic:
raise ValueError('改写改变了关键条件')
if not candidate.terms or not set(candidate.terms) <= ALLOWED[req.topic]:
raise ValueError('扩展词不在业务词表内')

def build_query(req: Request, candidate: Proposal) –> str:
validate(req, candidate)
# 确定条件由程序拼接，模型只建议受限的检索词。
terms = ' '.join(dict.fromkeys(candidate.terms))
return f'{req.region} {req.plan} {req.topic} {terms}'

DOCS = [
dict(id='M', tenant='t1', version='v2', region='中国大陆', plan='月付', topic='退款'),
dict(id='Y', tenant='t1', version='v2', region='中国大陆', plan='年付', topic='退款'),
dict(id='OLD', tenant='t1', version='v1', region='中国大陆', plan='年付', topic='退款'),
dict(id='OTHER', tenant='t2', version='v2', region='中国大陆', plan='年付', topic='退款'),
]

def scope_candidates(req: Request) –> list[str]:
# 教学用元数据筛选，实际系统还需在该范围内做关键词/向量检索。
return [d['id'] for d in DOCS if all(
d[k] == getattr(req, k)
for k in ('tenant', 'version', 'region', 'plan', 'topic'))]

if __name__ == '__main__':
previous = Request('月付', '退款', '中国大陆', 't1', 'v2')
current = resolve(previous, '年付')
good = Proposal('年付', '退款', ('退款条件', '退订'))
print('query:', build_query(current, good))
print('candidates:', scope_candidates(current))
assert scope_candidates(current) == ['Y']
for label, req, candidate in [
('错误沿用月付', current, Proposal('月付', '退款', ('退款',))),
('缺少套餐', replace(current, plan=None), good),
('丢失否定', replace(current, topic='禁止自动续费'),
Proposal('年付', '自动续费', ('自动续费',))),
('添加无依据条件', current, Proposal('年付', '退款', ('七天无条件退款',))),
]:
try:
build_query(req, candidate)
raise AssertionError('错误候选未被阻止')
except ValueError as e:
print(label + ': ' + str(e))

运行：

python rewrite_demo.py

本次执行输出：

query: 中国大陆 年付 退款 退款条件 退订
candidates: ['Y']
错误沿用月付: 改写改变了关键条件
缺少套餐: 需要确认套餐
丢失否定: 改写改变了关键条件
添加无依据条件: 扩展词不在业务词表内

1. 本轮显式条件覆盖历史值

resolve只处理已经确认的套餐更新。本轮“年付”覆盖历史“月付”，其他字段保留。它没有用关键词猜测任意自然语言，也没有替缺失套餐设默认值。

2. 检索表达与访问范围分开

build_query负责构造检索文本；scope_candidates使用租户、知识版本、地区、套餐和主题筛选文档。样例中的旧版本OLD和其他租户OTHER因此被排除，月付文档M也不属于本轮范围。

此处返回的是元数据候选，不是语义相关性排名。实际检索要在合规候选范围内执行关键词或向量搜索，再做重排与证据检查。权限过滤必须在所有查询分支保持一致。

3. 词表只解决可明确约束的部分

受控词表适合套餐、业务动作、产品术语等边界清晰的场景。开放知识问答不能靠一个小词表覆盖全部表达，需要更多语义校验和回归样本。即使使用模型校验，也要用实际检索结果评估，不能把另一次模型判断当作绝对保证。

示例中的“退订”用于扩展召回，它不表示退款一定获批，也不等于关闭自动续费。最终答案仍要依据取回的具体规则，区分这些动作。

五、接入模型时，把输入和输出约定写清楚

可以把改写请求组织为以下结构，再由程序验证结果：

任务：生成用于知识库检索的查询词，不回答问题。
原始问题：那年付呢？
已确认条件：地区=中国大陆；套餐=年付；主题=退款
允许参考：上一轮讨论的是套餐退款。
输出：plan、topic、terms三个字段。
要求：不新增退款期限、资格或金额；保留否定、数字和精确标识。

租户及访问权限无需交给模型决定，直接在检索调用中绑定可信过滤条件。对话历史只提供与当前问题有关的部分；历史回答中的未经验证说法，不应升级成新的事实条件。

如果使用Spring AI，可以在检索前接入查询变换组件；若要实现这里的字段校验，应在应用层增加明确的输入输出结构与验证逻辑，不能仅凭组件名称推断它已替业务保留所有约束。

多查询扩展还会放大成本。每多一条查询，就可能多一次Embedding或搜索；合并结果时需要按文档或片段ID去重，限制候选总量，并确保所有分支使用相同权限与版本。不能让一个漏掉过滤条件的分支混入最终证据。

六、怎样判断改写真的有用

用同一组问题比较原始查询和改写查询，关注三个层面：

测试集至少包含明确单轮问题、指代追问、本轮更正、缺失条件、否定表达和精确错误码。不要只展示改写后更通顺的句子；文字流畅与证据召回是两个不同的验收项。

简单问题不必强制改写。 清晰的错误码查询可以直接检索；含明确产品名和版本的短问题，也应先比较原始查询效果。需要补全时再启用相应步骤，避免每个请求都多走一次模型调用。

记录原始问题、规范条件、候选、校验结果与检索证据ID，可以帮助定位失败环节。日志应避免保留不必要的个人信息，并遵循应用自己的访问与保留策略。

七、🧠 思维导图

#mermaid-svg-kO91dLE63oJybnOC{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-kO91dLE63oJybnOC .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-kO91dLE63oJybnOC .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-kO91dLE63oJybnOC .error-icon{fill:#552222;}#mermaid-svg-kO91dLE63oJybnOC .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-kO91dLE63oJybnOC .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-kO91dLE63oJybnOC .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-kO91dLE63oJybnOC .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-kO91dLE63oJybnOC .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-kO91dLE63oJybnOC .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-kO91dLE63oJybnOC .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-kO91dLE63oJybnOC .marker{fill:#333333;stroke:#333333;}#mermaid-svg-kO91dLE63oJybnOC .marker.cross{stroke:#333333;}#mermaid-svg-kO91dLE63oJybnOC svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-kO91dLE63oJybnOC p{margin:0;}#mermaid-svg-kO91dLE63oJybnOC .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-kO91dLE63oJybnOC .cluster-label text{fill:#333;}#mermaid-svg-kO91dLE63oJybnOC .cluster-label span{color:#333;}#mermaid-svg-kO91dLE63oJybnOC .cluster-label span p{background-color:transparent;}#mermaid-svg-kO91dLE63oJybnOC .label text,#mermaid-svg-kO91dLE63oJybnOC span{fill:#333;color:#333;}#mermaid-svg-kO91dLE63oJybnOC .node rect,#mermaid-svg-kO91dLE63oJybnOC .node circle,#mermaid-svg-kO91dLE63oJybnOC .node ellipse,#mermaid-svg-kO91dLE63oJybnOC .node polygon,#mermaid-svg-kO91dLE63oJybnOC .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-kO91dLE63oJybnOC .rough-node .label text,#mermaid-svg-kO91dLE63oJybnOC .node .label text,#mermaid-svg-kO91dLE63oJybnOC .image-shape .label,#mermaid-svg-kO91dLE63oJybnOC .icon-shape .label{text-anchor:middle;}#mermaid-svg-kO91dLE63oJybnOC .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-kO91dLE63oJybnOC .rough-node .label,#mermaid-svg-kO91dLE63oJybnOC .node .label,#mermaid-svg-kO91dLE63oJybnOC .image-shape .label,#mermaid-svg-kO91dLE63oJybnOC .icon-shape .label{text-align:center;}#mermaid-svg-kO91dLE63oJybnOC .node.clickable{cursor:pointer;}#mermaid-svg-kO91dLE63oJybnOC .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-kO91dLE63oJybnOC .arrowheadPath{fill:#333333;}#mermaid-svg-kO91dLE63oJybnOC .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-kO91dLE63oJybnOC .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-kO91dLE63oJybnOC .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kO91dLE63oJybnOC .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-kO91dLE63oJybnOC .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kO91dLE63oJybnOC .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-kO91dLE63oJybnOC .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-kO91dLE63oJybnOC .cluster text{fill:#333;}#mermaid-svg-kO91dLE63oJybnOC .cluster span{color:#333;}#mermaid-svg-kO91dLE63oJybnOC div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-kO91dLE63oJybnOC .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-kO91dLE63oJybnOC rect.text{fill:none;stroke-width:0;}#mermaid-svg-kO91dLE63oJybnOC .icon-shape,#mermaid-svg-kO91dLE63oJybnOC .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-kO91dLE63oJybnOC .icon-shape p,#mermaid-svg-kO91dLE63oJybnOC .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-kO91dLE63oJybnOC .icon-shape .label rect,#mermaid-svg-kO91dLE63oJybnOC .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-kO91dLE63oJybnOC .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-kO91dLE63oJybnOC .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-kO91dLE63oJybnOC :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

RAG查询改写

理解当前问题

补全指代与本轮更正

保留约束

否定数字版本

权限独立绑定

验证候选

阻止遗漏与臆造

重试或追问

评估效果

证据召回与意图保持

延迟和成本

八、总结

总结要点

查询改写服务于检索。 它补齐表达，不提前决定答案；原始问题始终保留，最终回答仍然要满足用户的真实条件。

约束要有来源和优先级。 本轮明确更正覆盖旧值，缺失条件先确认，租户与权限由可信上下文绑定。模型建议的检索词需要经过检查。

效果要用证据和成本衡量。 在同一测试集上检查意图保持、相关证据召回及额外延迟，让改写真正改善检索，而不只是把句子写得更像书面语。

下一篇讨论RAG上下文压缩：证据已经检索出来，怎样删掉无关内容，同时保留条件、数字和引用位置。

👉 如果你觉得这篇文章对你有所帮助，欢迎点赞、收藏、分享！😊