---
title: "查詢重寫（Query Rewriting）"
slug: query-rewriting
language: zh-TW
source: https://aiterms.tw/learning/what-is-query-rewriting
updated_at: 2026-07-04
tags: [自然語言處理, 大型語言模型, Prompt工程, source:ipas]
ipas_term: true
type: deep-dive
---

# 查詢重寫 是什麼？

> 查詢重寫是將使用者原始輸入轉換為更精確檢索字串的技術，能解決詞彙不匹配問題，提升搜尋結果準確度。

## 核心概念

查詢重寫技術的本質在於弭平人類自然語言表達與機器資訊檢索系統之間的語言結構落差。在真實世界的應用場景中，使用者輸入的查詢通常具有高度的模糊性、不完整性，甚至包含語法或拼字錯誤。資訊檢索系統尤其是傳統基於關鍵字比對的系統，往往依賴精確的字詞匹配來尋找相關文件。如果使用者的用詞與資料庫中文件作者的用詞不一致，這被稱為詞彙不匹配問題，將導致系統無法返回真正符合使用者意圖的結果。為了解決這個問題，查詢重寫應運而生。

透過在查詢進入檢索系統之前引入一個中介的轉換層，查詢重寫引擎會對原始查詢進行分析、解構與重建。這個過程可能涉及將口語化的長句精簡為關鍵字組合、將單一關鍵字擴充為包含多個同義詞的布林邏輯運算式，或者根據上下文語境將模糊的代名詞替換為明確的實體名稱。在大型語言模型與檢索增強生成架構中，查詢重寫進一步演進為透過模型理解對話歷史，生成一個能夠獨立於上下文、精確描述當前資訊需求的完整查詢語句。這確保了檢索器能夠基於最準確的語意特徵去向量庫中尋找匹配的段落，從而為後續的生成任務提供高品質的上下文支援。這種技術的核心精神是理解後再搜索，它改變了過去系統被動接收字串並硬性比對的運作模式，轉而主動介入並優化搜尋條件，這在資訊量爆炸的當代系統中具備不可忽視的地位。

除了單純的語意轉換之外，查詢重寫還需要適應底層檢索引擎的特性。例如針對文件搜尋引擎，重寫系統可能會直接生成符合其專屬語法的結構化查詢條件；而對於向量資料庫，重寫系統則偏向於生成一段純粹的描述性文字，以利於文本嵌入模型抓取核心語意特徵。這種高度客製化與適應性的設計，使得查詢重寫成為橋接使用者意圖與底層基礎設施的重要環節。

## 運作原理

查詢重寫的運作機制涵蓋了多個不同層次的自然語言處理技術，通常由一系列流水線式的處理模組組成。首先是查詢理解階段，系統會進行斷詞、詞性標注與命名實體辨識，將原始字串拆解為具有語意價值的基本單元。接著，系統會進行意圖分類，判斷該查詢是屬於尋找特定事實的資訊型查詢、尋找特定網站的導航型查詢，還是帶有購買或下載意圖的交易型查詢。

在實際的重寫階段，系統會執行幾種主要的轉換操作。拼字校正與正規化是最基礎的一步，將常見的錯字轉換為正確寫法，並統一大小寫與全半形字元。查詢擴展是另一項關鍵技術，系統會利用本體論、知識圖譜或詞嵌入模型，找出與查詢詞彙語意相近的同義詞或相關詞，並將它們加入新的查詢中。這通常透過增加權重的方式進行，以確保原始詞彙的主導地位不受影響。相對地，查詢放寬則是在原始查詢包含過多限制條件導致檢索結果過少時，系統會自動移除一些次要的修飾詞或過度具體的條件，以增加結果的召回率。

近年來，基於大型語言模型的查詢重寫技術逐漸成為主流。這種方法不再依賴繁雜的規則或獨立的小型模型，而是直接將使用者的原始查詢與對話歷史作為提示詞輸入語言模型，要求模型生成一個最適合檢索的重寫版本。這種端到端的生成方式能夠更好地捕捉複雜的語意脈絡，並且自然地處理跨語言檢索的查詢翻譯問題。模型的輸出可以直接作為稀疏檢索的關鍵字，或是輸入給嵌入模型轉換為向量表示，以進行密集檢索。這些步驟環環相扣，共同構成了一個具備自適應能力的智慧檢索前端。系統通常也會保留原始查詢，並以混合檢索的方式將原始查詢與重寫查詢的檢索結果進行交集或聯集運算，以達到較佳的檢索平衡點。

## 實際應用

在電子商務搜尋中，查詢重寫扮演著決定轉化率的關鍵角色。消費者經常使用口語化的描述或俗稱來尋找商品，而商家在建立商品標題與描述時可能使用專業術語或官方名稱。查詢重寫系統會自動將消費者的搜尋詞映射到標準的商品類別與屬性。例如將口語化描述重寫為包含特定規格標準的檢索條件，或是將特定的品牌縮寫還原為完整的品牌名稱，確保消費者能夠順利找到目標商品，進而提升平台的使用者體驗與銷售業績。這種情境下的重寫也往往涉及屬性抽取，從查詢中分離出顏色、尺寸與價格區間。

在企業內部的知識管理與文件檢索系統中，員工往往使用非常簡短的關鍵字來尋找特定的技術文件或公司政策。查詢重寫技術會結合企業內部的專有詞彙表與知識圖譜，對這些簡短的查詢進行情境化的擴展。如果系統偵測到查詢與某個專案代號相關，它可能會自動補全該專案的相關技術堆疊或負責團隊名稱，讓檢索系統能夠在龐雜的企業資料庫中精準定位相關文件。這不僅節省了員工的搜尋時間，也提高了內部知識的流通效率。當組織架構發生變動時，維護內部的查詢重寫詞典也成為維持知識庫可用性的重要工作。

在對話式人工智慧與虛擬助理領域，查詢重寫更是不可或缺的基礎設施。由於對話的本質具有高度的上下文依賴性，使用者在後續的回合中經常使用代名詞或省略主詞的方式進行提問。在這種情境下，獨立的檢索系統無法理解這些代名詞指代的對象。查詢重寫技術被用來執行共指解析，將對話歷史中的實體名稱替換到當前的查詢中。經過重寫的獨立查詢可以被發送到搜尋引擎或資料庫中，確保虛擬助理能夠基於正確的背景知識提供準確的回應，從而實現流暢且連貫的多回合人機互動。這也使得多輪對話系統能夠被切分為無狀態的檢索單元，降低了系統架構的耦合度。

## 常見誤區

一個普遍存在的誤解是將查詢重寫等同於簡單的同義詞替換。雖然同義詞擴展是查詢重寫的常見手法之一，但現代的查詢重寫技術遠比這複雜。單純的同義詞替換往往忽略了詞彙在特定語境下的多義性，可能導致語意漂移。如果在不適當的上下文中引入了錯誤的同義詞，檢索系統將會返回大量不相關的雜訊，嚴重損害搜尋品質。有效的查詢重寫必須具備上下文感知能力，根據整體的查詢語意與使用者的歷史行為來決定是否進行擴展以及如何擴展。盲目的替換只會放大原有的檢索誤差。

另一個常見的迷思是認為只要使用了基於類神經網路的密集檢索模型，就不再需要進行查詢重寫。雖然基於神經網路的密集檢索在捕捉語意相似性方面表現優異，但它們在處理精確的關鍵字匹配、特定的實體名稱或包含複雜邏輯運算的查詢時，仍然存在侷限性。即使是參數量極大的嵌入模型，也可能因為使用者的查詢過於簡短或存在嚴重的拼寫錯誤而無法生成有效的向量表示。在這種情況下，傳統的查詢正規化與擴展仍然具有高度價值。查詢重寫與密集檢索應該被視為互補的技術，而非相互排斥的競爭者。

許多開發者在實作檢索增強生成系統時，傾向於直接將使用者的原始輸入傳遞給檢索器，這同樣是一個常見的設計缺陷。使用者的提問方式通常是為了引導語言模型生成答案，而不是為了在資料庫中尋找文件。這兩者在語言結構與用詞習慣上存在顯著差異。未經重寫的原始提問往往包含大量對檢索毫無幫助的停用詞或冗餘的對話語氣，甚至可能包含與核心意圖無關的雜訊。強制要求檢索器處理這種原始輸入會降低檢索效率與準確度，進而影響最終生成的答案品質。將提示工程的技巧應用於重寫階段，是避免這個問題的有效策略。

## 與相關技術的比較

查詢重寫與查詢擴充在概念上密切相關，但兩者的側重點有所不同。查詢擴充專注於在原始查詢中加入額外的詞彙或特徵，以增加檢索結果的廣度與召回率。而查詢重寫的範圍更廣，它不僅涵蓋了擴充操作，還包括了對原始查詢的刪減、修正、替換與結構重組。換句話說，查詢擴充只是查詢重寫眾多手段中的一種子集合。重寫的最終目標是產生一個完全優化過的新查詢，這個新查詢可能比原始查詢更長，也可能更短，甚至可能在字面上與原始查詢完全不同，只要它能更精確地反映使用者的真實意圖。

相較於查詢建議，查詢重寫是一種在系統後台默默執行的隱式優化過程。查詢建議會在使用者輸入的同時或在搜尋結果頁面上主動提供一組相關的搜尋詞，讓使用者自行決定是否點擊採用。這需要使用者的顯式互動，並且主要用於引導使用者發現新的搜尋方向。而查詢重寫則是由系統自動決定並執行的轉換，使用者通常不會察覺到這個過程的發生。系統直接使用重寫後的查詢來獲取結果並呈現給使用者，這種無縫的體驗能夠在不增加使用者認知負擔的情況下提升搜尋品質。

在資訊檢索流程中，查詢重寫通常發生在檢索階段之前，而重新排序技術則發生在檢索階段之後。查詢重寫的目的是優化輸入檢索系統的條件，確保系統能夠從龐大的資料庫中初步篩選出最有可能相關的文件集合。由於這個階段需要處理整個資料庫，重寫後的查詢必須具有足夠的效率，以滿足系統的延遲要求。重新排序則是在檢索系統返回初步結果後，利用更複雜的機器學習模型對這批候選文件進行精細的相關性評估與重新打分。這兩項技術共同構成了一個完整的檢索優化管道，分別在不同的階段解決資訊不匹配的問題。將兩者結合使用，可以確保整體檢索架構同時具備高召回率與較佳的精確率。

## iPAS 考試出題分析

屬於未分類考範圍。

## 常見問題

### 在使用大型語言模型建構檢索增強生成系統時，為什麼需要額外實作查詢重寫模組？

在檢索增強生成架構中，使用者的原始提問通常包含多回合的對話歷史，帶有代名詞和省略語境，這不適合直接用於向量資料庫檢索。實作查詢重寫模組能夠將口語化、具依賴性的提問轉換為獨立且語意完整的檢索字串。這確保了嵌入模型能生成精確的向量表示，從而大幅提高檢索階段提取相關段落的準確度，最終避免生成模型因缺乏正確背景知識而產生幻覺現象。此外，原始提問可能包含多種意圖，重寫模組能將其拆解為多個平行檢索任務，獲取更全面的參考資料。

### 查詢重寫系統應該如何評估其轉換效果與對整體檢索品質的影響？

評估查詢重寫系統需要結合線上與線下指標。線下評估可利用標註好的資料集，計算重寫查詢與標準查詢之間的語意相似度，以及其在標準檢索庫中的召回率與平均精度均值指標。線上評估則透過 A/B 測試監控真實使用者的行為數據，例如點擊率、零結果率以及使用者的後續重新搜尋頻率。持續追蹤這些指標能幫助工程團隊微調重寫策略，確保系統不會過度擴展查詢而引入無關雜訊。另外，也可以透過人工評估重寫後字串的邏輯性與合理性作為補充。

### 實作基於語言模型的查詢重寫時，如何解決處理延遲過高的問題？

在即時檢索系統中直接呼叫大型語言模型進行查詢重寫常面臨延遲挑戰。工程上的解決方案包括採用模型蒸餾技術，訓練一個參數量較小的專用語言模型來處理重寫任務。此外，可以建立快取機制儲存常見查詢的重寫結果，以避免重複計算。另一種策略是平行處理，在進行輕量級基礎檢索的同時非同步執行複雜的查詢重寫，若重寫過程耗時過久，系統可優先返回基礎檢索結果以確保使用者體驗。針對特定領域的系統，也可以將常見的語言模型重寫邏輯轉換為靜態規則引擎來加速處理流程。

---

深度解說頁：https://aiterms.tw/learning/what-is-query-rewriting
快查頁：https://aiterms.tw/terms/query-rewriting
最後更新：2026/07/04