Expansión de consultas RAG: cómo las formulaciones sintéticas encuentran evidencia más allá de los términos exactos
La expansión sintética de consultas suele mejorar la recuperación en RAG al añadir paráfrasis plausibles y términos del dominio que conectan las brechas de vocabulario entre las preguntas y la evidencia almacenada.
Un familiar puede preguntar por «la inspección de la caldera», mientras que la factura escaneada dice «servicio hidráulico anual» y nunca utiliza la expresión habitual en el hogar. La búsqueda léxica exacta no detecta esa conexión. La expansión de consultas genera formulaciones alternativas o una respuesta hipotética, busca cada representación y combina los candidatos antes de volver a clasificarlos, lo que ofrece a la evidencia relevante más de una vía para entrar en la ventana de contexto.
Una pregunta puede representar varias intenciones de búsqueda
Una consulta doméstica breve puede omitir el nombre formal del producto, la fecha, la ubicación o la terminología utilizada en la fuente. La expansión hace explícitas esas interpretaciones latentes al producir frases relacionadas, subconsultas o un pasaje sintético. La recuperación dispersa obtiene nuevos términos coincidentes, mientras que la recuperación densa recibe perspectivas semánticas adicionales.
El método Query2doc solicita a un modelo de lenguaje que genere un pseudodocumento y lo añade a la consulta original. Sus experimentos muestran que el texto añadido puede mejorar tanto la recuperación dispersa como la densa sin volver a entrenar el recuperador subyacente.
El mecanismo no hace que la consulta sea más veraz. Amplía la superficie de generación de candidatos, después de lo cual la fusión y la nueva clasificación deben decidir qué candidatos siguen respondiendo a la pregunta original en lugar de a la elaboración generada. Esta distinción sigue siendo visible durante las pruebas domésticas posteriores.
Los pasajes sintéticos conectan la brecha de vocabulario entre la consulta y el documento
Un documento hipotético puede parecerse al estilo y al vocabulario de la evidencia probable incluso cuando sus datos son inventados. El sistema genera una representación vectorial de ese pasaje sintético y recupera documentos reales cercanos a él, utilizando la generación como puente semántico y no como evidencia presentada al usuario.
hypothetical document embeddings crea documentos hipotéticos antes de generar sus representaciones vectoriales para la recuperación densa sin ejemplos. La separación importante es que el texto generado guía la recuperación, mientras que los documentos devueltos del corpus siguen siendo la única evidencia admisible para la respuesta final.
Múltiples expansiones pueden abarcar abreviaturas, apodos, traducciones y distintos niveles de detalle técnico. La unión de candidatos aumenta la cobertura, pero la eliminación de duplicados y la nueva clasificación son necesarias, porque de lo contrario diez reformulaciones pueden saturar la lista con fragmentos casi idénticos o débilmente relacionados.
La expansión puede desviarse hacia un tema plausible, pero equivocado
Un generador puede interpretar incorrectamente un nombre ambiguo, introducir un producto que el hogar no posee o inventar una fecha. Esos términos pueden recuperar documentos internamente coherentes sobre la entidad equivocada, creando un ruido más convincente que la consulta dispersa original.
Un estudio controlado sobre la reformulación complementaria de consultas concluye que las combinaciones pueden mejorar la cobertura en algunos conjuntos de datos, pero perjudicar el rendimiento en un banco de pruebas de preguntas ambiguas. Este resultado muestra por qué la expansión debe estar condicionada por el tipo de consulta y evaluarse frente a una línea base sólida.
El límite de fallo aparece en cualquier consulta cuya entidad central o intención sea incierta. Conserva la consulta original, etiqueta el texto sintético como una ayuda para la recuperación, limita su influencia durante la fusión y abstente cuando las expansiones no coincidan en el conjunto de evidencias.
Realiza una prueba de contribución de la expansión
Crea treinta preguntas domésticas reales que contengan abreviaturas, nombres informales, traducciones y términos formales ausentes de la consulta. Registra los fragmentos de apoyo verificados y, después, ejecuta la recuperación solo con la consulta original y la ruta de expansión propuesta utilizando el mismo índice, el mismo presupuesto de resultados principales y el mismo sistema de nueva clasificación.
Registra la cobertura de recuperación y de citas utilizando el método de evaluación de la recuperación de abreviaturas. Por cada fragmento relevante añadido, guarda qué reformulación lo encontró; por cada nuevo elemento distractor, registra el término que provocó la desviación y si la nueva clasificación lo eliminó.
Activa la expansión solo cuando aumente la cobertura en datos reservados sin una pérdida inaceptable de precisión o un aumento excesivo de la latencia. Si las mejoras se deben simplemente a un presupuesto mayor de candidatos, compara primero con una ejecución basada en la consulta original y con el mismo presupuesto antes de atribuir la mejora a la formulación sintética.
Productos recomendados
Centro de Tecnología e IA
Más para leer
¿Qué factores determinan la precisión de las citas de RAG en una base de conocimientos doméstica?
Descubre por qué una fuente relevante aún puede ser una cita incorrecta, qué etapas de la canalización controlan la fundamentación y la cobertura, y...
¿Qué funciones permiten obtener una salida JSON fiable de un LLM local?
Descubre qué funciones imponen la sintaxis JSON, cuáles protegen la corrección semántica y cómo probar un modelo local con distintos esquemas, prompts y casos...
Linaje de datos de IA local: por qué cada respuesta necesita una ruta de origen trazable
Aprende cómo las rutas de origen hacen auditables las respuestas de IA local, por qué las citas por sí solas son incompletas y cómo...
