摘要：在现代自然语言处理（NLP）领域，检索增强生成（RAG）系统因其能够结合外部知识库和大语言模型的强大生成能力，成为了提升信息检索质量的主流解决方案之一。然而，传统的 RAG 流程存在诸多挑战，尤其是在查询处理阶段，这可能直接影响检索的准确性和效率。为了解决这些
在现代自然语言处理（NLP）领域，检索增强生成（RAG）系统因其能够结合外部知识库和大语言模型的强大生成能力，成为了提升信息检索质量的主流解决方案之一。然而，传统的 RAG 流程存在诸多挑战，尤其是在查询处理阶段，这可能直接影响检索的准确性和效率。为了解决这些问题，Self-querying prompting（自查询提示）应运而生，作为一种优化 RAG 系统查询过程的技术，显著提升了从向量数据库中检索相关信息的精度与质量。
在理解 Self-querying prompting 之前，我们首先需要了解传统的 RAG 系统是如何工作的，以及为什么这一技术变得如此重要。
1、什么是 RAG 系统？
检索增强生成（RAG, Retrieval-Augmented Generation）是一种结合了检索和生成的混合式 NLP 系统。RAG 的优势在于它可以利用外部知识库来帮助大模型回答更复杂的问题。例如，当用户输入问题时，RAG 系统会首先通过检索模块（通常基于向量搜索的方式）从庞大的知识库中获取最相关的文档片段（chunks），然后将这些片段整合到生成模型的输入中，帮助生成模型给出更准确、更符合上下文的回答。
v这种方法尤其适合解决知识密集型任务，比如技术支持、客户服务、信息查询等场景。然而，传统的 RAG 流程中直接使用用户的原始查询进行检索可能导致以下问题：
查询不具体：用户输入的查询可能过于宽泛或模糊，导致检索结果不够精准。冗余信息：查询中可能含有与检索任务无关的多余信息，干扰检索效果。缺少上下文：部分查询缺乏必要的上下文信息，使得检索效果不佳。这些问题会导致模型生成的回答不够准确或不够相关。因此，如何优化查询，提升 RAG 系统的检索效率成为了关键。
2、为什么需要 Self-querying prompting？
传统的查询优化方法通常依赖于用户手动调整查询内容，这对于不熟悉系统运作的用户来说并不友好。Self-querying prompting 的出现解决了这一难题，它通过自动优化查询的方式，使得 RAG 系统能够更智能、更高效地获取到准确的相关信息。
Self-querying prompting 是通过一系列步骤来优化查询的，每一个步骤都与提高检索结果的精度和效率息息相关。下面我们逐一探讨每个步骤的具体细节及其背后的工作原理。
信息抽取 是 Self-querying prompting 的核心步骤之一。在这个阶段，系统利用大语言模型（如 GPT）对用户输入的原始查询进行分析和处理，从中提取出关键的属性和与检索任务相关的信息。
关键属性（key attributes）是与查询直接相关的内容，通常包括用户的具体需求。例如，当用户查询一款商品时，关键属性可能包括价格、颜色、品牌等；而在查询电影或文章时，关键属性可能是导演、年份、评分等。
非属性类信息指的是那些可能帮助模型更好理解查询的背景信息。这些信息可能不直接属于查询的核心内容，但在上下文理解中扮演着重要角色。例如，用户可能会提供产品描述、使用场景等信息，帮助模型生成更符合预期的查询。
在从查询中抽取关键信息后，接下来是生成 过滤条件（filtered fields）。这些过滤条件可以被看作是检索系统的“预筛选器”，它们帮助减少与用户查询无关的结果。
过滤条件通常基于元数据（metadata），如产品类别、价格区间、用户评分等。通过对这些条件的设定，向量数据库可以在执行查询之前，先排除掉那些不符合基本需求的文档片段，从而提高整体检索的精度。
例如，在查询一款“价格低于 20 美元的黑色皮革迷你裙”时，过滤条件可以包括：颜色为黑色、材质为皮革、价格在 20 美元以下。这些过滤条件会大大减少数据库中的无关文档，提高检索效率。
在有了过滤条件之后，系统基于抽取的关键信息和上下文信息生成一个新的、更精准的查询（user query）。这个查询往往比用户的原始输入更加简洁和明确，适合在向量数据库中进行搜索。
生成的新查询不仅具有更高的准确性，而且能够更好地体现用户的真实需求。例如，用户可能输入了很多额外的描述信息，而新查询会去掉这些冗余部分，只保留与检索任务相关的关键信息。
使用生成的过滤条件和优化后的查询，系统接下来在向量数据库中执行检索操作。向量数据库会返回一组与新查询最相似的文档片段。
向量检索是一种通过将文本转换为向量表示，并利用相似性度量（如余弦相似度）来搜索数据库的方法。与传统的基于关键词的搜索相比，向量检索可以更好地处理语义相似性，从而提高检索结果的相关性。
在完成检索后，系统会对返回的文档片段进行排序，确保最相关的内容优先显示给用户。排序过程中，系统会根据查询中的关键信息和上下文线索，对检索到的文档进行优先级排序。
排序后的文档片段会整合到最终的 prompt 中，供大模型生成回答。通过这种方式，用户可以获得更符合预期的答案。
三、示例应用为了更好地理解 Self-querying prompting 的实际应用，我们来看一个具体的示例。假设用户输入了以下查询："I want a black leather mini skirt less than twenty dollars."
Self-querying prompting 为 RAG 系统带来了以下几方面的显著优势：
提高检索准确性：通过优化查询，系统能够更好地理解用户需求，确保检索结果更加精准。减少冗余信息：过滤掉查询中多余的部分，避免不必要的信息干扰检索。增强上下文理解：通过上下文信息生成更合适的查询，帮助大模型生成更具相关性的回答。用户友好：无需用户手动优化查询，系统自动处理查询优化，提升了整体用户体验。以下是一个使用 LangChain 和 OpenAI API 实现 Self-querying prompting 的 Python 代码示例：
# 导入 openai api keyimport osfrom dotenv import load_dotenv, find_dotenv# .env 存储 api_keyload_dotenv(find_dotenv)# 导入 LangChain 和 OpenAI 相关模块from langchain_openai import ChatOpenAIfrom langchain_community.vectorstores import Chromafrom langchain_core.documents import Documentfrom langchain_openai import OpenAIEmbeddingsfrom langchain.chains.query_constructor.base import AttributeInfofrom langchain.retrievers.self_query.base import SelfQueryRetriever# 初始化 OpenAI 大模型llm = ChatOpenAI# 示例文档docs = [ document( page_content="A bunch of scientists bring back dinosaurs and mayhem breaks loose", metadata={"year": 1993, "rating": 7.7, "genre": "science fiction"}, ), Document( page_content="Leo DiCaprio gets lost in a dream within a dream within a dream within ...", metadata={"year": 2010, "director": "Christopher Nolan", "rating": 8.2}, ), Document( page_content="A psychologist / detective gets lost in a series of dreams within dreams within dreams and Inception reused the idea", metadata={"year": 2006, "director": "Satoshi Kon", "rating": 8.6}, ), Document( page_content="A bunch of normal-sized women are supremely wholesome and some men pine after them", metadata={"year": 2019, "director": "Greta Gerwig", "rating": 8.3}, ), Document( page_content="Toys come alive and have a blast doing so", metadata={"year": 1995, "genre": "animated"}, ), Document( page_content="Three men walk into the Zone, three men walk out of the Zone", metadata={ "year": 1979, "director": "Andrei Tarkovsky", "genre": "thriller", "rating": 9.9, }, ),]# 创建向量数据库vectorstore = Chroma.from_documents(docs, OpenAIEmbeddings)# 定义元数据字段信息metadata_field_info = [ AttributeInfo( name="genre", description="The genre of the movie. One of ['science fiction', 'comedy', 'drama', 'thriller', 'romance', 'action', 'animated']", type="string", ), AttributeInfo( name="year", description="The year the movie was released", type="integer", ), AttributeInfo( name="director", description="The name of the movie director", type="string", ), AttributeInfo( name="rating", description="A 1-10 rating for the movie", type="float" ),]# 创建 SelfQueryRetriever 实例document_content_description = "Brief summary of a movie"retriever = SelfQueryRetriever.from_llm( llm, vectorstore, document_content_description, metadata_field_info,)# 执行检索print(retriever.invoke("I want to watch a movie rated higher than 8.5"))print(retriever.invoke("Has Greta Gerwig directed any movies about women"))print(retriever.invoke("What's a highly rated (above 8.5) science fiction film?"))print(retriever.invoke( "What's a movie after 1990 but before 2005 that's all about toys, and preferably is animated"))Self-querying prompting 在优化 RAG 系统查询的过程中发挥了至关重要的作用。通过信息抽取、过滤条件生成、新查询生成等步骤，系统能够更加准确地理解和满足用户需求，从而提升检索效率和生成质量。在日益复杂的 NLP 应用场景中，这一技术为提高用户体验和系统性能提供了强有力的支持。
本文，完。觉得本篇文章不错的，记得随手点个赞、收藏和转发三连，感谢感谢~如果想第一时间收到推送，请记得关注我们⭐~
来源：AIGC研究社一点号