HyDE：如何检索看似没有相关文档的问题

一句话定义

HyDE 是一种 zero-shot 检索技术：先根据问题生成一份假想的答案文档，再利用其表达来查找真实文档。

核心答案：简短或抽象的问题可能与文档的表达相距甚远。假想说明可以扩展检索所需的术语和上下文，从而缩小检索表达之间的差距。

为什么需要这项技术？

简短或抽象的问题可能与文档的表达相距甚远。假想说明可以扩展检索所需的术语和上下文，从而缩小检索表达之间的差距。

工作原理

模型会为问题生成一份假想文档，将其嵌入后，再与真实文档向量进行比较。假想内容不是答案依据，而是用于扩展检索查询的中间产物。

设计时不能只关注准确性。还应同时定义延迟、成本、数据边界、更新周期和故障时的行为，才能在实际运行中获得可复现的结果。对于自动化无法确定的值，不要将其改为 0 或成功状态；将其保留为未测量或需要审核的状态更安全。

与 SAG 技术的关联

如果在 SAG 中应用，应将生成的文本仅作为检索 provenance 保存，而不能作为事实展示给客户。最终答案只能使用实际检索到的已批准依据。

实践检查清单

• 明确区分假想文档与真实依据
• 检查品牌幻觉是否造成检索偏差
• 测量相较于基础 dense retrieval 的 recall
• 将失败、空结果和权限错误的状态与成功区分开
• 在相同条件下重新验证变更前后的结果

研究与官方文档

• HyDE 原始论文

参考文档为原理和建议提供依据。它们不保证搜索曝光、AI 提及、排名或销售额；实际应用效果应通过服务数据和相同条件下的观测来验证。

选择标准与具体应用示例

可以生成一段关于“空气压缩机高温运行条件”的假想说明，以确定检索方向。不能将该说明中的温度或规格作为事实引用。最终答案只能使用从检索到的真实产品文档中确认的数值。

在 SAG 中的应用范围

本文探讨搜索 AI 的研究原理与扩展设计。请结合 SAG 的页面采集、依据记录和报告验证结构来理解本文，但不要将其解读为论文中的所有搜索算法都已部署到实际运行流水线中。是否应用应通过搜索模块、评估数据和执行记录来确认。

如何继续阅读相关技术

比较 RAG、GraphRAG 和 Self-RAG 论文及其应用条件。

• 搜索 AI 的扩展原理
• 功能说明 FAQ