HyDE 是什么？为什么先生成假设文档，可能改善 RAG 检索？

知识点详解：一段可能不真实的文档，为什么还能用来搜索？

问题和资料，可能用着不同的表达

假设用户问：“出差多住了一晚，这笔钱怎么报？”

公司的制度里可能写的是“行程延期”“额外住宿费用”“审批证明”。用户没有使用这些词，但问题与条款讨论的是同一类事情。

直接用问题向量检索，本来就有机会找到它；如果效果不好，HyDE 提供了另一条路线：先生成一段可能出现的制度说明，再用它的表示去找真实制度。

这里的假设文档可以包含“延期原因、住宿费用、审批”等语义。它的作用是提供一个更接近资料的检索输入，不是替公司制定报销政策。

从生成到回答，中间有两种不同材料

HyDE 原论文提出的基本过程，是生成假设文档、编码成向量，再到实际语料中寻找邻近文档。作者的实现可以用来核对这一流程。

咱们把它放回报销问题，可以看到以下顺序：

1. 用户提出问题，保留原始条件。
2. 模型生成一段假设性相关文档。
3. 检索模型把假设文档转成向量。
4. 用向量找公司知识库里的真实片段。
5. 根据真实片段回答，并给出出处。

第二步的材料与第四步的资料，身份完全不同。第二步可以不真实；第四步才需要符合当前版本、权限和来源要求。

因此，应用最好把假设文档放在单独字段里，不和正式证据混在一起。回答模型如果能看到它，也必须明确知道它不是政策依据。更简单的做法是只在检索阶段使用，不把它作为回答证据传入。

生成得更丰富，也可能偏得更远

如果模型在假设文档里写了“延期两天以内不需要审批”，这个条件可能根本不存在。

接下来，检索就可能被“免审批”这类内容影响，找到不适用于当前问题的片段。问题虽然没变，检索入口却已经多了一条模型补出的限制。

因此，不要把“向量编码会过滤错误细节”理解成保证。即使编码保留了总体语义，错误假设仍然可能影响方向。

针对这类风险，可以保留直接问题检索作为另一条候选通道，再比较结果；也可以限制假设文本只描述问题主题，避免补入金额、期限和政策结论。但这些做法也需要验证，不能靠提示词一句话就认定偏移消失了。

哪些问题值得尝试，哪些不必绕这一圈？

口语问题和专业资料之间存在明显表达差距时，可以尝试 HyDE。例如用户说“多住了一晚”，文档说“行程延期产生的住宿费用”。

如果用户已经给出报销单编号、准确错误码或具体条款名，精确匹配与直接检索通常应该先做好。把准确编号扩写成一段通用说明，反而可能弱化最有用的线索。

因此，这不是“所有查询先生成一次”的标准流程。可以按问题类型启用，也可以只在直接检索效果不足时尝试。

怎么判断改善不是偶然？

准备相同的问题集与正确证据，比较直接检索和 HyDE 检索。保持知识库、向量模型、候选数量和回答要求一致。

分别统计相关证据是否找到、假设文本是否带偏，以及最终回答有没有引用假设内容。还要检查新增的一次模型调用，带来了多少等待和费用。

如果平均召回上升，但明确编号题变差，就不能只看总平均。可以只把它用于受益的那组问题。

面试官继续追问

HyDE 和查询改写有什么区别？

查询改写通常仍然产出搜索问题或关键词，HyDE 产出的是假设性文档，再用文档表示检索。它们都可能改善表达，也都可能偏离原条件，但中间材料的形式与用途不同。

能不能直接把假设文档作为最终答案？

不能把它当成已确认的知识库事实。那样就跳过了检索与证据验证，变成让模型根据自身知识猜答案。

多生成几份假设文档，会不会更好？

可能增加覆盖，也可能增加噪声、延迟和相似重复。需要明确如何编码、融合和筛选，再和一份文档及直接检索作对照，不按数量判断质量。

面试速记卡

• HyDE：生成假设文档，编码后检索真实语料。
• 可能收益：缩小短问题与完整文档之间的表达差距。
• 主要风险：模型补出的条件可能带偏搜索。
• 证据边界：假设文本用于检索，真实资料用于回答。
• 使用依据：按题型比较召回、偏移、延迟与费用。