查询改写与分解：将复杂问题拆解为可检索的单元

一句话定义

查询分解是将复合问题中的对象、条件和子问题拆分开来，并扩展为多次检索的过程。

核心回答：“是否安全、成本低且能与现有系统集成”很难通过一次检索找到充分证据。不同条件可能需要不同的证据。

为什么需要这项技术？

“是否安全、成本低且能与现有系统集成”很难通过一次检索找到充分证据。不同条件可能需要不同的证据。

工作原理

在保留实体和约束条件的同时生成子问题，并将各项结果整合到原始问题之下。还要检查改写过程是否改变了原意。

设计时不能只关注准确率。还必须同时定义延迟、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，安全的做法是将其保留为“未测量”或“需要审核”状态，而不是改为 0 或成功。

与 SAG 技术的关联

SAG 的 Goal 和问题快照可作为基准点，用于保留原始问题，并将子查询及其证据关联到同一 provenance 之下。

实用检查清单

• 保留专有名称和数值条件
• 标明每个子问题是否有充分证据支持
• 留存记录，以便审计改写前后的语义差异
• 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更改前后的结果

研究与官方文档

• Google AI 搜索功能官方指南
• RAG 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

“20 万韩元以下、电池续航 10 小时以上、适合视频会议的产品”可以拆分为价格、使用时长和麦克风条件分别检索。如果改写时遗漏了价格上限，就没有回答原始问题。应将原始问题与子问题之间的约束关系一并保存。

在 SAG 中的适用范围

本文讨论搜索 AI 的研究原理与扩展设计。阅读时可以结合 SAG 的页面采集、证据记录和报告验证结构，但不要将其解读为论文中的搜索算法已全部部署到生产流水线中。是否应用，应通过搜索模块、评估数据和执行记录来确认。

如何继续了解这项技术

比较 RAG、GraphRAG 和 Self-RAG 论文及其适用条件。

• 搜索 AI 的扩展原理
• 功能说明 FAQ