第15篇：《检索效果太烂？我用Query改写和重排序把准确率翻了一倍》

承上：上一篇我们用 QuestionAnswerAdvisor 一行代码跑通了RAG，但是在测试过程中发现一堆Bad Case：问"怎么退钱"搜出来的是"退款到账时间"，问"加班费怎么算"搜出来的是"加班调休规定"。今天，我们要解决RAG最头疼的问题------检索不准。

1. 问题诊断：为什么检索不准？

1.1. 三个典型Bad Case

sql 复制代码

Case 1：口语化表达 vs 文档术语
用户问："怎么退钱？"
文档写："退款流程"
检索结果："退款到账时间为3-5个工作日"（不相关）

Case 2：模糊问题 vs 精确关键词
用户问："加班费怎么算？"
文档写："加班调休"
检索结果："加班2小时以上可申请调休"（部分相关，但不是用户想要的）

Case 3：多义词
用户问："苹果最新款"
文档里既有"苹果公司产品"又有"苹果水果"
检索结果：混在一起（50%不相关）

1.2. 根本原因

向量检索的本质是语义相似度匹配 ，但"口语化表达"和"文档术语"之间存在语义鸿沟。

markdown 复制代码

用户语言：怎么退钱？        → 口语化
文档语言：退款申请流程        → 书面化
           ↓
向量距离可能很远，检索不到！

2. 优化一：Query改写

2.1. 核心思想

在检索之前，先用AI把用户的问题"翻译"成文档中可能出现的表达方式。

markdown 复制代码

用户问："怎么退钱？"
    ↓ AI改写
改写后："退款申请流程 退款条件 退款方式"
    ↓ 用改写后的Query去检索
检索结果："第三章 退款流程：用户可在订单完成后7天内申请退款..."

2.2. 实现QueryTransformer

在2.0版本中，Spring AI提供了一套完整的 预检索（Pre-Retrieval） 优化体系，核心接口是 QueryTransformer。

QueryTransformer 是Spring AI 2.0中专门用于在检索之前对用户查询进行变换 的接口。它在 RetrievalAugmentationAdvisor 内部自动执行，不需要我们手动管理Advisor顺序。

arduino 复制代码

用户查询："怎么退钱？"
    │
    ▼
QueryTransformer.transform("怎么退钱？")
    │
    ▼
改写后查询："退款申请流程 退款条件 退款方式"
    │
    ▼
用改写后的查询去向量数据库检索
    │
    ▼
精准命中文档块！

实现类	功能	适用场景
`RewriteQueryTransformer`	用AI改写用户查询	口语化→书面化，推荐首选
`CompressionQueryTransformer`	结合历史对话压缩查询	多轮对话场景
`TranslationQueryTransformer`	多语言翻译	跨语言检索

本篇重点讲最常用的 RewriteQueryTransformer。

2.3. 配置RewriteQueryTransformer

ini 复制代码

package com.yunxi.ai.config;

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatModel;
import org.springframework.ai.chat.prompt.PromptTemplate;
import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;
import org.springframework.ai.rag.preretrieval.query.transformation.QueryTransformer;
import org.springframework.ai.rag.preretrieval.query.transformation.RewriteQueryTransformer;
import org.springframework.ai.rag.retrieval.search.VectorStoreDocumentRetriever;
import org.springframework.ai.vectorstore.VectorStore;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

@Configuration
public class QueryTransformerConfig {

    /**
     * 配置 RewriteQueryTransformer Bean
     * 该组件用于将用户模糊、口语化的查询重写为更适合向量检索的结构化查询
     */
    @Bean
    public QueryTransformer rewriteQueryTransformer(ChatModel chatModel) {
        // 构建 ChatClient，建议设置较低的 temperature 以保证重写结果的稳定性
        ChatClient.Builder builder = ChatClient.builder(chatModel);
        // 定义严格的提示词模板
        String rewritePrompt = """
            你是一个查询优化助手。你的任务是将用户的原始查询重写为更适合向量数据库检索的形式。
            规则：
            1. 严禁改变原意：必须严格保留用户查询中的核心关键词和意图。
            2. 严禁回答问题：不要提供答案，只输出重写后的查询语句。
            3. 去噪与规范化：去除语气词、冗余字符，将口语转化为书面语。
            4. 补全上下文：如果查询指代不明（如"它是什么"），请根据常识补全主语，但不要引入无关信息。
            5. 输出格式：只返回重写后的查询文本，不要包含任何解释或前缀
            原始查询: {query}
            重写后的查询: {target}
            """;
        PromptTemplate promptTemplate = new PromptTemplate(rewritePrompt);

        return RewriteQueryTransformer.builder()
                .chatClientBuilder(builder)
                .promptTemplate(promptTemplate) // 使用自定义提示词
                .build();
    }

    @Bean
    public RetrievalAugmentationAdvisor ragAdvisor(VectorStore vectorStore, QueryTransformer queryTransformer) {
        // 构建文档检索器
        VectorStoreDocumentRetriever retriever = VectorStoreDocumentRetriever.builder()
                .vectorStore(vectorStore)
                .similarityThreshold(0.5)
                .topK(3)
                .build();
        // 2. 构建 Advisor 并注入 Transformer
        return RetrievalAugmentationAdvisor.builder()
                .documentRetriever(retriever)
                .queryTransformers(queryTransformer) // 关键：应用查询转换器
                .build();
    }
}

配置解读：

scss 复制代码

RetrievalAugmentationAdvisor 执行流程：
    │
    ├── 1. queryTransformers.transform(原始查询)
    │      → "怎么退钱？" → "退款申请流程 退款条件 退款方式"
    │
    ├── 2. documentRetriever.retrieve(改写后查询)
    │      → 向量检索 Top 3
    │
    └── 3. 注入Prompt → AI生成回答

2.4. 增强Service

arduino 复制代码

package com.yunxi.ai.service;

import com.yunxi.ai.config.MyLoggerAdvisor;
import lombok.extern.slf4j.Slf4j;
import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.client.advisor.MessageChatMemoryAdvisor;
import org.springframework.ai.chat.memory.ChatMemory;
import org.springframework.ai.rag.advisor.RetrievalAugmentationAdvisor;
import org.springframework.stereotype.Service;

@Slf4j
@Service
public class ChatV2Service {

    private final ChatClient chatClient;

    public ChatV2Service(ChatClient.Builder builder, ChatMemory chatMemory, RetrievalAugmentationAdvisor retrievalAugmentationAdvisor) {
        this.chatClient = builder
                .defaultAdvisors(new MyLoggerAdvisor())
                .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())
                .defaultAdvisors(retrievalAugmentationAdvisor)
                .build();
    }
    
    /**
     * 同步接口
     * @param message
     * @return
     */
    public String chat(String message) {
        return chatClient.prompt()
                .system("你是一个专业的助手,可以回答用户的问题")
                .user(message)
                .advisors(advisor -> advisor.param(ChatMemory.CONVERSATION_ID, "TEST"))
                .call()
                .content();
    }
}

测试结果单测：

ini 复制代码

Query originalQuery = new Query(prompt);
Query transformedQuery = queryTransformer.transform(originalQuery);
transformedQuery.text();

2.5. Query改写效果对比

改写前：

改写后：

3. 优化二：结果重排序（Reranker）

在 Spring AI 的 RAG（检索增强生成）应用中，结果重排序（Reranker） 是一个关键的优化环节。它像一位"精筛师"，在系统从向量数据库初步召回大量可能相关的文档后，通过一个专用的重排序模型（Rerank Model） ，对这些文档进行更精细的相关性打分、过滤和重新排序，最终把最相关的内容传递给大模型，从而提升最终答案的质量。

Spring AI Alibaba 提供的一个开箱即用的解决方案------RetrievalRerankAdvisor，就显得非常方便。

它是一个"顾问（Advisor） "，可以被注册到 ChatClient 中，自动在调用大模型前完成"检索→重排→过滤→组装"的整条链路。

核心组件

VectorStore: 负责第一步的"粗召回"，从向量数据库中找出候选文档。

RerankModel: 重排序模型接口，负责对候选文档进行打分，Spring AI Alibaba 默认集成了阿里云的 DashScope（百炼） 重排序模型。

RetrievalRerankAdvisor: 作为胶水，将上述流程串联起来。

重排的实现在后面的SpringAIAlibab章节再详细写吧。

4. 优化三：混合检索（关键词 + 向量）

4.1. 向量检索的盲区

向量检索擅长找"语义相似"，但对于精确匹配（如订单号、产品型号）表现差。

复制代码

用户问："ORD001状态"
向量检索：把ORD001当成普通词汇，可能搜出"订单状态说明"
关键词检索：精确匹配ORD001，直接找到该订单

4.2. 混合检索思路

markdown 复制代码

用户查询
    │
    ├──→ 向量检索（语义匹配）→ 得分：语义相似度
    │
    └──→ 关键词检索（精确匹配）→ 得分：BM25/关键词命中数
            │
            ▼
    融合两个分数，取加权平均
            │
            ▼
    最终排序结果

4.3. Spring AI中的混合检索

如果使用Elasticsearch作为向量数据库，Spring AI的ElasticsearchVectorStore原生支持混合检索。Redis Stack目前以向量检索为主，关键词检索需要单独配置。

限于篇幅，混合检索的完整代码不在本篇展开，会在知识库实战中结合实际场景演示。

5. 三种优化对比

优化方式	解决问题	成本	效果
Query改写	口语化 vs 书面化	多一次AI调用	⭐⭐⭐⭐
Reranker重排序	粗排精度不够	多N次AI调用	⭐⭐⭐⭐⭐
混合检索	精确匹配盲区	需搜索引擎配合	⭐⭐⭐⭐

组合使用：

css 复制代码

Query改写 → 混合检索（粗排）→ Reranker（精排）→ Top 3 → 注入Prompt

6. 完整优化架构

css 复制代码

用户问题："怎么退钱？"
     │
     ▼
┌─────────────────────┐
│  QueryTransformer   │ → "退款申请流程 退款条件"
│   （Query改写）       │
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  混合检索（可选）     │ → 向量检索 + 关键词检索
│  （粗排：召回Top 10） │
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│  RerankerAdvisor    │ → 对Top 5逐个AI打分 → 保留Top 3
│   （精排：重排序）    │
└────────┬────────────┘
         │
         ▼
┌─────────────────────┐
│QuestionAnswerAdvisor│ → 注入Prompt → 生成回答
│   （RAG问答）        │
└─────────────────────┘

7. 本篇小结

这一篇我们解决了RAG的核心痛点------检索不准：

优化方式	原理	效果
Query改写	用AI把口语化查询转成文档术语	解决表达方式不匹配
Reranker重排序	对候选文档重新AI打分	解决粗排精度不够
混合检索	关键词+向量双路召回	解决精确匹配盲区

核心心法：

erlang 复制代码

RAG的80%问题都出在检索环节，而不是生成环节。

检索不准 → AI看到的是不相关的资料 → 回答必然不准
检索精准 → AI看到的就是答案本身 → 回答自然准确

优化检索的投入产出比，远高于优化Prompt。

下一篇，我们要把前面学的所有RAG知识真正落地------面试知识库实战：我把自己收集的八股文喂给了AI，让它帮我模拟面试。

本文与DeepSeek协作完成