查詢改寫

1. 3 秒看懂

查詢改寫（Query Rewriting）是在查詢被送入搜尋引擎、推薦系統或大語言模型（LLM）之前，對其進行自動最佳化和重寫的技術。它把口語化、簡略或含混的使用者原始輸入，轉化為系統能準確理解的規範化、多視角表達，直接彌合用戶意圖與機器查準之間的“語義鴻溝”。無論傳統搜尋還是 RAG（檢索增強生成），改寫均是決定結果相關性、回答準確率與無結果率的關鍵前置環節。

2. 3 分鐘產業解釋

查詢改寫是資訊檢索鏈路的“語義翻譯層”和“意圖潤滑劑”。它上承自然語言理解（NLU）和意圖分類，下接檢索引擎或 LLM 的上下文召回。其商業和技術價值高度集中在以下維度：

• 搜尋與廣告引擎：改寫質量直接驅動點選率（CTR）、轉化率（CVR）和每搜尋營收（RPS）。Google、百度等通用搜索引擎以及亞馬遜、阿里的電商搜尋，均投入數百人團隊維護改寫系統。
• RAG 式智慧問答：在金融、醫療、法律等垂直領域，不精準的查詢會檢索到低質量文件，導致 LLM“幻覺”或答非所問。改寫模組是保障 RAG 系統魯棒性的第一道防線。
• 多模態與對話場景：語音助手（如 Siri、小愛同學）接收口語化、省略和共指表達，必須通過上下文改寫還原完整語義，才能執行後續任務。

產業格局呈現“三層玩家”：底層是提供基礎語言模型改寫能力的雲端和模型廠商（OpenAI、Anthropic、阿里雲端、微軟等）；中層是搜尋和 AI SaaS 廠商（Algolia、Elastic、Pinecone 等）其產品內嵌改寫功能；上層是擁有高價值自有流量的平台型公司（Google、百度、亞馬遜、字節跳動等），自研最深度改寫系統，形成資料與模型的閉環壁壘。查詢改寫本身不單獨售賣，但在搜尋廣告、電商和雲端服務市場中，它往往撬動數百億美元級別的商業價值。

3. 技術原理

查詢改寫經歷了“規則→統計→深度學習→大型模型”的代際演進，當前主流是生成式方法，LLM 化趨勢加速。

1. 規則與知識庫時代 以手工建置的同義詞詞林（如 WordNet）、領域術語表和正規表示式為基礎，通過分詞後的詞典匹配和模板替換生成改寫。優點是高可控、低延遲，能精準覆蓋典型錯誤糾錯（如“iPhone15pro”補空格）。但覆蓋長尾查詢能力弱，維護成本隨領域增多線性膨脹。

2. 統計與翻譯模型時期 以“查詢-點選”對和“查詢-文件標題”對作為弱監督訊號，運用偽相關反饋（PRF）、互資訊、主題模型和統計機器翻譯（SMT）模型，學習詞或者短語的擴充套件權重。此階段能自動從日誌中挖掘“使用者常搜尋詞”與“最終點選標題”的共現關係，大幅提升覆蓋率。缺點是高度依賴資料分佈，冷啟動和低頻查詢效果差。

3. 深度學習生成式階段 採用序列到序列（Seq2Seq）的 Transformer 模型，將原始查詢視為源語言，將理想改寫視為目標語言，進行端到端的條件生成。輸入可以是單輪查詢，也可以融合使用者畫像、近期歷史查詢等上下文特徵。訓練資料來自搜尋日誌中使用者在一段 session 內反覆改正的關鍵詞序列，或通過 A/B 測試積累的高質量改寫對。解碼時通常使用束搜尋（beam search）兼顧多樣性與質量。此階段已將改寫從離散的詞級操作提升到連續語義空間中的全域性最佳化，能完成糾錯、擴充套件、釋義、分解等多型別任務。

4. 大型模型生成式與提示工程 直接呼叫通用 LLM（GPT-4、Claude、Gemini 等）進行零樣本或少樣本改寫。通過精心設計的系統提示（system prompt），可以要求模型執行角色扮演（“你是一個搜尋專家”），輸出結構化改寫（如多條候選查詢、帶置信度打分），甚至執行多步推論分解複雜需求。優勢是無須海量領域標註資料，泛化能力極強；代價是推論時延較高（數百毫秒至數秒），單次呼叫成本昂貴，且可控性依賴於提示質量。工業級部署常採用“小模型蒸餾”策略：用 LLM 生成大量高質量改寫對，再微調一個輕量級的編碼器-解碼器模型供線上使用，兼顧效果與即時性。

一個融合 LLM 思維的查詢改寫典型流水線（邏輯示意）：

使用者原始查詢 -> 輸入清洗與實體識別 -> 提示建置（附帶使用者上下文/歷史）
-> LLM 生成多條候選改寫 -> 排序模型（Reward Model）篩選最優改寫
-> 檢索引擎/ LLM RAG 模組

4. 關鍵引數

查詢改寫系統的設計與評估依賴多層次引數，覆蓋效果、效率和成本。

• 改寫覆蓋率：能夠對全量查詢中多大比例產生至少一條候選改寫。頭部綜合搜尋引擎覆蓋率通常在 70%–90% 以上，垂直領域可能因訓練資料缺失而偏低。
• 改寫準確率/保真度：改寫結果是否保留了原始意圖且未引入錯誤。常採用人工評估（金標準）和自動指標（如與參考改寫的 BLEU/ROUGE 分數、語義相似度）綜合衡量。
• 改寫多樣性：對同一查詢能否生成語義等價但表述不同的多個候選，防止搜尋偏向。常用 Distinct-n 指標衡量，典型系統可能要求前 5 候選的不重複 n-gram 比例高於 80%。
• 下游任務提升率：
  • 搜尋場景：點選率（CTR） 提升幅度、無結果率（NRR） 降低幅度、首擊滿意率（SSR） 等。頂級系統單次改寫可帶來 2%–10% 的 CTR 提升（來源：各廠商工程部落格，2021–2023 公開分享）。
  • 問答/RAG場景：答案精確匹配（EM） 與 F1 提升，以及檢索召回率（Recall@k）的提升。
• 推論延遲（Latency）：從接收到查詢到輸出改寫結果的時間。規則系統可控制在 1 毫秒內，輕量生成式模型通常要求 P99 延遲 < 50–100 毫秒，LLM 呼叫方案可能需 200–2000 毫秒，需通過快取和蒸餾最佳化。
• 模型引數量與部署成本：專用生成式改寫模型引數量通常在 110M–1B 之間，可部署在單個 GPU 上；直接呼叫 LLM 需要雲端端 API 按 token 計費。例如，2024 年某頭部雲端平台查詢改寫 API 費用約為每千次查詢 0.01–0.1 美元（來源：公開價格頁面，2024）。
• 訓練資料規模：高質量訓練對數量通常需百萬至千萬級。Google 等可通過海量日誌獲取數十億“原始-修正”查詢對（來源：Google Research Blog, 2022），而中小企業常使用 LLM 蒸餾資料（幾十萬對）取得可行效果。

5. 技術路線

路線	代表方法與工具	核心優勢	主要侷限	典型應用場景
規則/知識庫驅動	同義詞詞林、正規表示式、拼寫糾正模組（如 Hunspell）	極低延遲、精確可控、可解釋	覆蓋率低、維護成本高、無法處理語義層面長尾	高可控領域（醫療、法律術語歸一）、作為其他系統的兜底糾錯
統計/頻率驅動	偽相關反饋（PRF）、BM25 檢索擴充套件、查詢日誌共現挖掘	自動化挖掘、能利用海量日誌	冷啟動困難、容易引入噪聲、缺乏語義泛化	通用搜索的基線擴充套件、備選查詢建議
深度學習生成式（非 LLM）	基於 Transformer 的 Seq2Seq 模型（微調 BART、T5 等）	語義層面全域性改寫，可直接最佳化下游指標	需百萬級以上標註或弱標註資料，模型調整複雜	主流搜尋引擎、電商搜尋的生產環境核心模型
大型模型（LLM）生成式	通過提示工程直接呼叫 GPT-4、Claude、Gemini，或蒸餾到小模型	極強泛化、零樣本可用、能處理複雜意圖鏈	延遲高、呼叫成本高、輸出可控性依賴 prompt，可能產生“幻覺”改寫	垂直問答系統、研發期快速建置、資料稀疏領域改寫
混合路線（產業最佳實踐）	規則+輕量生成模型+LLM 蒸餾的三層架構	兼顧延遲、成本與長尾覆蓋率	架構複雜、運維成本高	頭部搜尋引擎、大型 RAG 產品

目前，多數領先的搜尋和問答平台正走向“三層混合”架構：規則層處理高頻、確定性改寫；輕量生成層負責大部分常規改寫，保證 P99 延遲；LLM 層處理極低頻、複雜或新出現查詢，並生成訓練資料反哺輕量模型，形成資料飛輪。

6. 上游

• 使用者原始查詢：來自文本輸入、語音轉寫（ASR 文本）或多模態互動（以圖搜圖附帶的文本描述）。語音查詢常帶有口語化、省略和錯誤，對改寫的糾錯和上下文補全要求更高。
• 意圖和實體識別模組：提供查詢的意圖分類（如導航、資訊、事務型）、實體抽取和槽位填充結果，作為改寫模型的顯式特徵輸入。例如，識別出“AppleiPhone15價格”中的品牌和產品型號，指導改寫時保持約束。
• 使用者上下文與畫像：包括短期 session 歷史（前 5 條查詢）、長期興趣標籤、地理位置、裝置型別等。上下文資訊使得多人對話中的指代消解（如“它的價格呢？”→“iPhone 15 Pro Max 價格”）成為可能。
• 領域知識庫：垂直場景下的同義詞對映、商品類目體系、知識圖譜（如醫療疾病庫、法律條文索引），輔助改寫對齊專業術語。

7. 下游

• 檢索引擎：改寫後的一個或多個查詢並行執行索引檢索，直接影響倒排/向量檢索的召回集合質量和排序精度。優質改寫能顯著提升長尾查詢下的首屏命中率。
• RAG 模組：改寫後的查詢用於從向量資料庫或文件庫中召回 Top-K 相關片段，作為 LLM 的上下文。若此步輸入不佳，將導致生成答案的“幻覺”或遺漏關鍵資訊，改寫因此被視為 RAG 流水線的“質量控制閘門”。
• 推薦與廣告系統：在電商和廣告場景中，改寫後的查詢用於匹配更多商品或廣告創意，擴大候選池，提升轉化。例如“夏天清涼小家電”→擴充套件為“桌面風扇、手持小風扇、空調扇”等多個具體查詢，從而觸發不同的廣告計劃。
• 對話狀態追蹤：在多輪對話中，改寫後的完整意圖可更新對話狀態，決定系統下一步動作（追問、執行交易還是反饋結果）。

8. 受益公司

查詢改寫技術對下游營收貢獻具有強槓桿效應，以下幾類公司廣泛受益：

公司型別	代表例項	受益機制	相關指標（財務/運營）
通用搜索巨頭	Google、Microsoft Bing、百度	搜尋廣告營收與改寫帶來的 CTR/CVR 提升直接相關，改寫是搜尋護城河的一部分	Google 2023 年搜尋及其他廣告營收約 1,750 億美元（Alphabet 2023 年報，口徑：Google Search & other）；百度 2023 年線上營銷營收約 751 億元人民幣（百度 2023 年報）
電商搜尋平台	Amazon、阿里巴巴、京東	商品發現效率和轉化率對 GMV 敏感，改寫最佳化佔電商搜尋廣告營收的很大比重	阿里巴巴 2024 財年客戶管理營收約 3,035 億元人民幣（阿里 2024 財年年報，口徑：客戶管理營收，含搜尋廣告）；亞馬遜 2023 年廣告營收約 469 億美元（亞馬遜 2023 年報）
雲端與模型 API 提供商	OpenAI、Anthropic、阿里雲端（通義）、微軟 Azure	嚮應用層提供具備查詢改寫能力的 LLM API 或模型服務，按量計費	OpenAI 2024 年營收已達到數十億美元量級（據 The Information 等多源報道），其中 API 營收貢獻漸增
搜尋與 AI SaaS	Algolia、Elastic、Pinecone、Cohere	在其搜尋即服務或向量資料庫中內建改寫，吸引提升產品附加值，從訂閱或按用量收費	Elastic 2024 財年營收約 12.6 億美元（Elastic FY2024 年報，口徑：總營收，含搜尋服務）；Cohere 2024 年估值超 50 億美元（公開融資報道）
企業級智慧客服/知識管理	Salesforce、ServiceNow、垂直 ISV	通過整合改寫模組提升客服和知識庫檢索準確率，降低人工座席參與率	合同價值指標，未單獨揭露改寫直接貢獻

注：以上數字均來自各公司公開財報或權威融資報道，僅用於說明商業模式背景，不構成任何投資建議。

9. 市場規模

查詢改寫目前沒有獨立的第三方市場規模統計，其價值深度內嵌於搜尋廣告、電商 SaaS、對話式 AI 以及 RAG 中介軟體市場。但可通過關聯市場進行合理推估：

• 關聯市場 1：全球搜尋引擎廣告市場。據 Statista 資料，2023 年全球搜尋廣告支出預計約 2,860 億美元（口徑：桌面與移動搜尋廣告，來源：Statista Digital Market Insights, 2024）。改寫技術每提升 1% 的 CTR 或 CVR，即意味著數十億美元級的潛在價值轉移。
• 關聯市場 2：對話式 AI 與 RAG 平台市場。市場調研機構 MarketsandMarkets 在 2023 年釋出的報告顯示，全球對話式 AI 市場預計到 2028 年達到 490 億美元（口徑：包括解決方案和服務）。其中相當大一部分將部署查詢改寫為核心的 RAG 檢索模組。
• 關聯市場 3：企業搜尋與知識管理軟體。據 Gartner 估計，全球企業搜尋和分析市場 2025 年將超過 30 億美元（來源：Gartner Market Share: Enterprise Search, 2023）。以 AI 增強搜尋為核心的產品升級中，查詢改寫的滲透率正快速提高。
• 供給側估算：公開資料未見查詢改寫作為獨立產品線的整體市場規模。若將其視為 AI 搜尋中介軟體的一部分，並參考少數專業改寫 API 服務的定價（2024 年價格區間多為每萬次查詢 0.5–5 美元），假設頭部雲端運算平台每日處理數十億次改寫呼叫，其間接營收可能達到數億美元級別，但仍遠小於其撬動的下游廣告營收。

整體而言，查詢改寫是典型的“小模組、大槓桿”市場，其商業價值主要通過提升下游核心指標而間接體現。

10. 玩家對比

按照技術和商務模式，查詢改寫領域的玩家可分為四大陣營，對比差異顯著：

維度	綜合搜尋平台（Google、百度、必應）	電商平台（亞馬遜、阿里、京東）	模型與雲端服務商（OpenAI、Anthropic、阿里雲端）	專業搜尋/向量工具（Algolia、Elastic、Pinecone）
資料規模	日處理數十億查詢，積累極豐富的改寫對和行為反饋	商品查詢日誌日處理數十億次，深度關聯購買行為及屬性	缺乏自有搜尋流量，但可獲取海量通用和多客戶語料	依賴客戶應用端的資料體量，相對有限，但具備垂直場景最佳化
技術深度	多層混合架構，自研輕量級模型 + 規則，部分引入 LLM 蒸餾	強於商品屬性歸一化、類目意圖對齊，自研電商專用改寫模型	領先的 LLM 基礎能力，擅長零樣本複雜改寫，但缺乏搜尋業務指標直接最佳化	易於整合和配置，產品化直覺強，較少深度定製底層模型
產品成熟度	高度成熟，改寫與排序、廣告系統深度耦合，嚴格即時	成熟，常與推薦系統一體化，對延遲有極嚴格要求	提供通用 API 介面或微調平台，垂直場景整合度較低	開箱即用的搜尋或向量檢索功能，改寫多為可配置外掛，成熟度高
商業化方式	內供，間接通過廣告和雲端服務變現	內供，直接服務於平台 GMV 和廣告	API 呼叫按 token/用量收費，或作為雲端 AI 套件元件	訂閱制或按用量計費，易與客戶現有軟體棧整合
典型侷限	技術封閉，外部難以複製；對資料隱私管控嚴格	跨領域通用性弱，受限於電商商品知識邊界	不掌握業務指標閉環，改寫未必直接最佳化 CTR/GMV；成本較高	模型規模有限，面對極致長尾查詢時覆蓋率不足；依賴第三方 LLM

綜合來看，擁有龐大私有搜尋日誌和直接商業反饋閉環的平台仍佔據改寫效果的最前沿；而模型廠商不斷降低 AI 改寫的使用門檻，促使改寫能力泛化至更多中小企業。

11. 風險

1. 語義漂移與意圖扭曲 過度擴充套件或錯誤的改寫可能偏離使用者原意，尤其是在生成式模型產生“幻覺”（引入不存在實體或無關概念）時，直接導致搜尋結果相關性跳崖。在醫療或金融問答中，一次嚴重改寫錯誤可能造成誤導性資訊擴散。

2. 資料偏見與公平性 基於日誌訓練的改寫模型可能從使用者點選行為中學習到社會偏見（例如對某些群體搜尋詞彙的傾向性對映），導致改寫結果形成“資訊繭房”或歧視性結果，引發合規與倫理風險。

3. 延遲與成本失控 若大規模線上採用大型模型直接改寫，每個查詢額外增加數百毫秒到數秒，會顯著拉低使用者體驗。同時，API 呼叫成本在月活數十億的應用中可能膨脹至難以承受的水平，若未做成本預期管理，將侵蝕獲利。

4. 資料隱私與合規 查詢日誌中常包含敏感個人資訊（健康、財務等）。在訓練和呼叫改寫模型過程中，必須遵循GDPR、個人資訊保護法等法規，確保資料脫敏和最小化使用。雲端端模型呼叫還面臨資料出境風險。

5. 對抗性攻擊 惡意使用者可能通過構造特殊查詢來迫使改寫系統產生錯誤輸出，進而獲取未授權資訊，或干擾搜尋引擎排名（查詢注入攻擊）。這要求改寫模組配備對抗魯棒性檢測機制。

6. 廠商鎖定與遷移成本 若深度繫結某一雲端服務商獨有的改寫 API 或私有模型微調方案，未來切換供應商或自主研發將面臨高昂的重訓和整合成本，降低架構靈活性。

12. 誤讀糾偏

• 誤讀 1：“查詢改寫就是同義詞替換和拼寫糾錯，屬於簡單 NLP 任務。” 實際：現代查詢改寫是包含糾錯、擴充套件、釋義、分解、意圖對齊以及多輪對話指代消解在內的綜合性生成任務。它需要理解使用者隱含意圖和世界知識，已進化為一個“查詢最佳化智慧代理”，尤其在大型模型時代，更類似於智慧搜尋助手。

• 誤讀 2：“大語言模型這麼強，未來不需要專門的查詢改寫模組了。” 實際：LLM 雖具備強大的零樣本改寫能力，但直接作為線上改寫器會引入高延遲、高成本和不可控性。工業系統傾向使用 LLM 離線生成資料蒸餾小模型，或將 LLM 作為複雜查詢的兜底策略。專門的改寫模組在即時性、領域契合度和與下游系統耦合方面仍然無可替代。

• 誤讀 3：“查詢改寫只在文本搜尋中有用，語音和多模態搜尋不需要。” 實際：語音搜尋的查詢往往更長、更口語化且包含停頓與修正，更需要通過改寫恢復標準句式和完整語義。跨模態搜尋（如有圖片附帶文字描述）同樣依賴改寫來填充資訊缺口、消除歧義，從而匹配結構化索引。

• 誤讀 4：“改寫效果只看改寫本身是否通順。” 實際：通順只是基本前提。好的改寫必須能提升下游任務指標（如搜尋結果點選率、問答準確率）。一個語義完美但未匹配任何文件內容的“漂亮”改寫，在搜尋系統中價值為零。評估必須在端到端系統中進行。

13. 最新事件

• 2024 年 5 月 Google I/O 釋出 Search Generative Experience 升級 Google演示了定製的 Gemini 模型在搜尋中執行多步推論和查詢改寫，能夠將含混的複合問題分解並改寫為多個子查詢，大幅提升複雜問題回答質量（來源：Google Blog, 2024 年 5 月）。

• 2024 年多家搜尋 API 整合生成式改寫 Algolia、Elasticsearch 等搜尋產品在 2024 年先後推出基於生成式 AI 的查詢改寫和語義轉換功能，使用者無需訓練自有模型即可提升搜尋相關性。微軟也在 Azure AI Search 中強化了查詢改寫與語義排序的整合（來源：各廠商官方公告，2024）。

• 2024 年 EMNLP 接受多篇查詢改寫相關論文 學術界延續關注，在 2024 年 EMNLP 等頂級會議上，關於利用大型模型進行低資源語言改寫、面向 RAG 的查詢分解改寫、以及多輪對話上下文改寫的工作成為研究熱點，部分方案在公開基準上將 RAG 回答 F1 提升了 5-10 個百分點（來源：ACL Anthology，2024）。

• 2024 年 Cohere 釋出 Command R+ 聚焦企業檢索增強 Cohere 在其專為企業場景設計的 Command R+ 模型中深度整合多步改寫能力，允許使用者輸入複雜問題，模型自動生成中間子查詢並呼叫檢索工具，減少了應用層單獨建置改寫模組的複雜度（來源：Cohere 部落格，2024 年 4 月）。

• 國內雲端廠商積極版面配置 RAG 改寫能力 2024 年下半年，阿里雲端、百度智慧雲端、騰訊雲端等均在各自的大型模型平台上線了針對 RAG 的查詢改寫、問題拆解和文件排序功能，提供標準化 API 供 ISV 整合（來源：各廠商官方文件更新，2024）。

注：以上事件均來源於公開資訊，僅用來說明技術動態，不代表對任何公司前景的預測。

14. 追蹤指標

持續追蹤查詢改寫效果和健康狀況，建議監控以下分層指標：

• 健康與覆蓋指標

  • 改寫覆蓋率：接收改寫候選的查詢佔比，監控是否有下降需要增補規則或資料。
  • 改寫多樣性：同一查詢的候選改寫平均數量及不同候選之間的差異化程度，防止過度同質化。
  • 改寫延遲：P50、P95、P99 延遲，必要時按改寫路徑（規則、小模型、LLM）拆分監控。

• 效果與業務指標

  • 搜尋相關：點選率（CTR）、首擊滿意率（SSR）、無結果率（NRR）、平均點選位置（MRR）、每次搜尋的頁面瀏覽量。
  • 電商相關：搜尋帶來的轉化率、每搜尋收益（RPS），以及改寫“影響的比例”（通過 A/B 實驗剝離改寫貢獻）。
  • RAG 相關：端到端答案准確率（EM/F1）、檢索召回率 Recall@K、上下文精度的提升，以及使用者點贊/踩反饋。

• 質量與安全指標

  • 改寫保真度人工抽查通過率：定期取樣，評估語義是否保持且無錯誤引入。
  • 對抗性查詢檢測與攔截率：監控可疑查詢模式，防止改寫被利用。
  • 敏感資訊改寫洩露告警數量：確保改寫過程中不會暴露或還原已脫敏資訊。

• 成本指標

  • 每千次查詢的改寫成本（分路徑計算），LLM 呼叫的 token 消耗與費用，快取命中率等。

建議在每季度業務回顧中，同時結合 A/B 實驗復現改寫對下游北極星指標的提升量，確保技術投入和商業回報可量化。

15. 信源

推薦持續關注的資訊來源（文獻、報告與官方渠道）

• 經典論文

  • Xu, J. & Croft, W. B. (1996). “Query Expansion Using Local and Global Document Analysis.” SIGIR.
  • Gao, J., et al. (2011). “A Hierarchical Approach to Query Expansion.” Microsoft Research Technical Report.
  • Nogueira, R. & Cho, K. (2017). “Task-Oriented Query Reformulation with Reinforcement Learning.” EMNLP.
  • Wang, L., et al (2023). “Query2doc: Query Expansion with Large Language Models.” EMNLP 2023.

• 行業報告與市場資料

  • Statista Digital Market Insights: “Search Advertising – Worldwide.” （查詢年份可更新至最新）
  • Gartner: “Market Share: Enterprise Search, 2023 and Beyond.”
  • MarketsandMarkets: “Conversational AI Market – Global Forecast to 2028.”
  • 各相關公司年度財報（Alphabet, Microsoft, Amazon, 阿里巴巴, Elastic 等）。

• 技術部落格與官方動態

  • Google AI Blog (https://ai.googleblog.com/) – 搜尋與查詢理解相關標籤。
  • Microsoft Research Blog – “Search & IR” 分類。
  • Cohere Blog – “RAG & Query Rewriting” 話題。
  • Algolia and Elasticsearch 官方文件 “AI-powered query rewriting” 部分。
  • ACM Digital Library / ACL Anthology 使用關鍵詞 “query rewriting”, “query expansion”, “RAG rewrite” 檢索最新論文。

• 開源專案與基準

  • BEIR 基準（Benchmarking Information Retrieval）包含部分查詢改寫的評測場景。
  • Hugging Face 模型庫中 search query rewriting 相關模型（如 google/flan-t5-base 的改寫微調版本）。
  • LangChain / LlamaIndex 等架構中關於 “Query Transformation” 的模組文件。

注：以上來源均為公開可獲取的學術與產業資訊。建議定期核對最新版本，確保引用的市場數字與技術事實具有時效性。對於特定公司的商業資料，務必直接查閱官方最新發布的財報與公告。