Stratégies de récupération multi-requêtes
Améliorez le rappel de la récupération en générant plusieurs perspectives de la requête utilisateur et en combinant les résultats de recherches variées.
Stratégies de récupération multi-requêtes est une leçon LangChain / RAG / Vector DBs gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage LangChain / RAG / Vector DBs, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Boosting RAG with Multi-Query
Sometimes, a single search query isn't enough to find all the relevant information. Multi-query retrieval is a technique that helps your RAG system cast a wider net.
It generates several different versions of your original question. This helps ensure you don't miss important context, leading to more comprehensive answers.
Why One Query Isn't Enough
Imagine asking "What are the benefits of RAG?". A single search might only pick up documents directly matching those exact words. This can limit the context available to your LLM.
- It might miss documents using terms like "advantages of RAG" or "why use RAG".
- It could also miss related concepts that provide crucial background.
This limitation can lead to incomplete or less accurate answers from the LLM.
Expanding Your Search Horizon
Before advanced tools, people would manually brainstorm related queries to ensure a broader search. For example:
- Original: "How does RAG improve LLM accuracy?"
- Expanded: "What are RAG benefits for LLMs?", "RAG's impact on factual correctness", "How RAG reduces hallucinations".
While effective, this manual process is tedious and hard to scale for complex systems. We need an automated solution!
LLMs as Query Generators
Large Language Models (LLMs) are excellent at understanding context and generating variations of text. We can leverage an LLM to automatically create several alternative questions from an initial user query.
- This uses the LLM's natural language understanding abilities.
- It automates the query expansion process efficiently.
These diverse queries then provide multiple 'angles' for searching your knowledge base.
LangChain's MultiQueryRetriever
LangChain provides a powerful component called MultiQueryRetriever. This tool automates the entire multi-query process for you, making it easy to integrate into your RAG pipeline.
- It uses an LLM to generate diverse queries from your initial input.
- It then runs these multiple queries against your vector store.
- Finally, it combines the results into a single, comprehensive set of documents for the LLM.
MultiQueryRetriever in Action
Let's see how to set up MultiQueryRetriever in Python. You'll need an LLM and an existing retriever (e.g., from a vector store).
This example mocks a vector store for demonstration. In a real application, your vector store would be pre-populated with your documents.
from langchain_community.chat_models import ChatOpenAI
from langchain.retrievers.multi_query import MultiQueryRetriever
from langchain_community.vectorstores import FAISS
from langchain_community.embeddings import OpenAIEmbeddings
from langchain_core.documents import Document
# This is a mock setup for demonstration
# In a real app, your vector store would be populated
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(
[
Document(page_content="RAG improves LLM factual accuracy."),
Document(page_content="Retrieval Augmented Generation reduces hallucinations."),
Document(page_content="The advantages of RAG include up-to-date information."),
Document(page_content="RAG systems combine retrieval with generation."),
], embeddings
)
retriever = vectorstore.as_retriever()
# Initialize a chat model (replace with your actual LLM)
# For local testing, consider using a local LLM or mock
llm = ChatOpenAI(temperature=0) # Placeholder
# Create the MultiQueryRetriever
multi_query_retriever = MultiQueryRetriever.from_llm(
retriever=retriever, llm=llm
)
print("MultiQueryRetriever initialized successfully!")
# Example usage would follow: multi_query_retriever.get_relevant_documents(query)The Multi-Query Workflow
Here's a simplified breakdown of what MultiQueryRetriever does behind the scenes:
- Initial Query: You provide one query, e.g., "What are RAG's advantages?"
- Query Generation: The LLM takes your query and generates 2-4 alternative queries (e.g., "Benefits of RAG", "Why use RAG?", "How RAG improves LLMs").
- Parallel Retrieval: Each generated query is sent to your underlying retriever (e.g., vector store) simultaneously.
- Result Combination: All retrieved documents from these multiple searches are collected and often de-duplicated.
- Final Context: This combined set of documents is then passed to your main LLM for generating the final answer.
Merging Retrieved Documents
After multiple queries fetch documents, how do we best combine them to form the final context?
- Unique Documents: The simplest approach is to gather all documents and remove duplicates. This ensures variety without redundancy.
- Re-ranking: For more advanced control, you can apply a re-ranking model to the combined set. This model scores documents based on their relevance to the original query, ensuring the most important ones are prioritized (a topic for a future lesson!).
Why Use Multi-Query Retrieval?
Implementing multi-query strategies offers significant benefits for your RAG system:
- Improved Recall: You're more likely to find all relevant pieces of information, even if they use different phrasing.
- Richer Context: The LLM receives a broader and more diverse set of documents, leading to more comprehensive and accurate answers.
- Reduced Hallucinations: With better context, the LLM is less likely to "make things up" due to lack of information.
- Handles Ambiguity: Helps when the user's initial query is slightly ambiguous or could have multiple interpretations.
Multi-Query Check
Multi-query retrieval aims to improve retrieval by generating multiple perspectives of a user's query. Which of the following best describes the core problem it solves?
Multi-Query Recap
In this lesson, we explored Multi-Query Retrieval. We learned that a single query can often miss valuable context, and how Large Language Models (LLMs) can generate multiple, diverse queries to overcome this.
LangChain's MultiQueryRetriever automates this entire process, significantly improving the recall and richness of the context provided to your RAG system. This ultimately leads to more comprehensive and accurate answers.
Questions Fréquemment Posées
La leçon « Stratégies de récupération multi-requêtes » est-elle gratuite ?
Oui — le texte complet de « Stratégies de récupération multi-requêtes » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours LangChain / RAG / Vector DBs, passe à CoddyKit PRO. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Stratégies de récupération multi-requêtes » ?
Améliorez le rappel de la récupération en générant plusieurs perspectives de la requête utilisateur et en combinant les résultats de recherches variées. Tu pratiques LangChain / RAG / Vector DBs avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer LangChain / RAG / Vector DBs ?
Aucune expérience préalable n'est requise. LangChain / RAG / Vector DBs sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « Stratégies de récupération multi-requêtes » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon LangChain / RAG / Vector DBs ?
Oui. Chaque leçon LangChain / RAG / Vector DBs inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Stratégies de récupération multi-requêtes
- Compression contextuelle avec les LLM
- Recherche hybride et reclassement
- Récupération par document parent et fenêtre de phrases