什么是HyDE（Hypothetical Document Embeddings）？如何提升检索效果？

HyDE的核心思想：用户Query -> LLM生成一个假设性回答 -> 用假设性回答的Embedding去检索 -> 找到与「最理想答案（假设回答）」最相似的文档块

为什么有效：

• 用户Query通常很短（「Transformer是什么」），而知识库文档内容丰富
• 短的Query Embedding与富内容的文档Embedding在向量空间中可能有差距
• 假设回答（由LLM生成，与知识库文档相似的内容）的Embedding更接近目标文档的Embedding分布

流程：

1. User Query: 「什么是RAG？」

2. LLM生成假设回答: 「RAG（检索增强生成）是一种结合信息检索和文本生成的技术...」

3. 用假设回答的Embedding做向量检索

4. 返回相关文档块

注意事项：

• 延迟增加（多一次LLM调用），适用对延迟不敏感的离线/批量标注场景
• 假设回答可能包含幻觉，检索精度不一定100%提升，需测试验证