工业软件产品文档的检索增强——用 Query Rewriting 与 HyDE 提升召回

工业软件（CAD/PLM/仿真等）的官方文档写得很"规范"，但用户提问很"口语"。典型场景：用户问"怎么批量导出 BOM"，文档里写的却是"数据导出 → 批量操作 → 勾选装配树节点"。字面完全不匹配，纯向量检索经常召回失败。这篇文章讲我们在工业软件知识库项目里用的两个增强手段：查询改写（Query Rewriting）和假设性文档嵌入（HyDE），以及它们各自的适用边界。

一、问题本质：术语鸿沟

向量检索靠语义相似度，但"批量导出 BOM"和"数据导出-批量操作"在 embedding 空间距离不一定近——尤其当文档用了大量领域缩写（BOM、装配树、特征树）。这不是 chunk 大小的锅，是"查询语言"和"文档语言"不一致。

flowchart LR
    U[用户口语问句] --> R[Query Rewriting 改写成文档术语]
    U --> H[HyDE 生成假设性答案文档]
    R --> V[向量召回]
    H --> V
    V --> F[融合 Rerank]
    F --> A[返回结果]

二、Query Rewriting：把口语翻成文档术语

思路是用一个轻量模型，把用户问句改写成"文档里可能出现的表述"，但必须受领域词典约束，否则模型会编造不存在的功能名。

实践要点：改写器必须喂领域词典，否则它容易写出"一键导出"这类文档里没有的词，反而带偏召回。我们也限制改写只做"同义映射"，不做"问题扩展"，避免引入噪声。

三、HyDE：用假设答案反查文档

HyDE（Hypothetical Document Embeddings）的思路很巧：先让模型针对问题"虚构"一段它期望看到的答案文档，再把这段假文档拿去 embedding 检索。因为假文档的用词更接近真实文档风格，召回反而更准。

注意 HyDE 的"假文档"只用于检索，绝不返回给用户，避免幻觉答案外流。我们在工业软件场景实测，HyDE 对"怎么做 X"类操作问句提升明显，对"XX 参数默认值是多少"这类精确事实问句提升有限（精确事实还是 BM25 更稳，见文章四）。

四、两个手段怎么选

• 术语鸿沟大、问句口语化重 → 优先 Query Rewriting，成本最低。
• 操作类、流程类长问句 → 加 HyDE，召回更贴合文档风格。
• 二者可串联：先改写再 HyDE，但我们实测增益边际递减，通常二选一即可。

五、FAQ

Q1：Query Rewriting 会不会改偏原意？

会，如果没有领域词典约束。务必把产品真实功能名词固化进 prompt，禁止模型造词。

Q2：HyDE 的假文档泄漏给用户有风险吗？

有。假文档只进检索链路，返回结果必须来自真实文档库，绝不能把模型生成内容当答案。

Q3：这两个方法要训练吗？

不需要。改写和 HyDE 都用现成 LLM 的 few-shot/instruct 能力，重点是 prompt 里的领域约束。

Q4：和 Reranker 什么关系？

互补。改写/HyDE 提升"召回阶段"的相关候选量，Reranker 在"精排阶段"去噪，建议叠加。

Q5：工业软件缩写太多怎么办？

建一张"用户口语 → 文档术语"映射表，既给改写器用，也可做检索前的 lexicon boost。

作者：默然｜数智化转型网