在 RAG（检索增强生成）系统中，用户的 Query 往往是非结构化的、口语化的，甚至是非常简短或充满指代词（如“它”、“那个”）的。这种 Query 与知识库中高质量、详细的文档之间存在巨大的语义鸿沟（Semantic Gap），直接检索往往效果很差。 解决这一问题通常需要引入 Query Understanding (QU) 模块，主要通过以下几个维度的策略来优化： --- 1. 基于 LLM 的 Query 改写（Query Rewriting） 这是目前最主流且有效的方法。利用 LLM 强大的语义理解能力，将原始的“烂”Query 转化为适合检索的“好”Query。 指代消解（Coreference Resolution）： 场景： 用户在多轮对话中说“它多少钱？”。 方法： 将当前 Query 结合历史对话上下文（Chat History）输入 LLM，要求 LLM 生成一个独立的问题（Standalone Question）。 示例： History: "iPhone 15 Pro Max 有哪些颜色？" -> "有钛金属原色。" User: "它多少钱？" Rewr...
播面