面向稠密检索的LLM查询重写：何时有帮助何时有害
信息检索
2026-03-17 v1 人工智能
机器学习
摘要
仅基于提示的、单步骤LLM查询重写——即不使用检索反馈即可从查询中生成重写——在生产级RAG管道中广泛使用，但其对稠密检索的影响尚不明了。我们进行了一次系统的经验研究，涵盖三个BEIR基准、两种稠密检索器以及多种训练配置，发现行为在不同领域中呈现显著差异：在FiQA上，重写使nDCG@10下降9.0%;在TREC-COVID上提升5.1%;在SciFact上几乎无显著影响。我们识别出一种一致的机制：降级现象伴随查询与相关文档之间词汇对齐度下降，重写会替换已被良好匹配查询中的领域特定术语。相比，改进来自查询向语料库偏好术语的转化，以及解决不一致术语命名的问题。词汇替换在所有结果组中发生95%的案例，显示有效性取决于替换方向而非替换本身。我们还研究了选择性重写，发现简单的基于特征的门控可减少最坏情况的回退，但不可靠地超过从不重写，即使是奥林巴斯选择也仅提供有限的收益。总体而言，这些结果表明，仅基于提示的重写在已优化的垂直领域中可能造成伤害，建议在有监督或隐式反馈可用时采用领域自适应后训练策略。
引用
@article{arxiv.2603.13301,
title = {Not All Queries Need Rewriting: When Prompt-Only LLM Refinement Helps and Hurts Dense Retrieval},
author = {Varun Kotte},
journal= {arXiv preprint arXiv:2603.13301},
year = {2026}
}