Réécriture et reclassement des requêtes
Découvrez des techniques pour optimiser les requêtes des utilisateurs et reclasser les documents retrouvés afin d’accroître leur pertinence pour le LLM.
Réécriture et reclassement des requêtes est une leçon LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching), et ta progression se synchronise sur le web et l'application CoddyKit. Le cours LLM Apps in Production (RAG + Vector DB + Caching) comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
Optimizing Queries for RAG
Welcome to advanced RAG techniques! In this lesson, we'll explore two powerful methods to make your Retrieval Augmented Generation (RAG) system even smarter: Query Rewriting and Reranking.
These techniques help ensure your LLM gets the most relevant information possible, leading to better and more accurate responses.
Why Raw Queries Fall Short
When a user asks a question, their initial query might not be perfect for searching your knowledge base. It could be:
- Too short or vague: Lacking specific keywords.
- Ambiguous: Having multiple possible meanings.
- Missing synonyms: Not using the exact terms found in your documents.
This can lead to your retriever fetching less relevant documents.
Understanding Query Rewriting
Query rewriting is the process of modifying the user's original query before it's sent to your document retriever.
The goal is to transform the query into a more effective search term that is more likely to match relevant documents in your vector database.
Techniques for Rewriting Queries
Query rewriting can involve several strategies:
- Query Expansion: Adding synonyms or related terms to broaden the search.
- Query Rephrasing: Changing the query's structure or wording to improve clarity.
- Query Decomposition: Breaking a complex, multi-part query into simpler, individual sub-queries.
Often, another LLM is used to perform these rewriting tasks.
Code: Simple Query Rewriting
Here's a conceptual Python example of how a simple query expansion might work. In a real system, an LLM would do the heavy lifting.
class QueryRewriter:
def rewrite(self, query):
# Simulate an LLM or a rule-based system
if "LLM performance" in query:
return query + " large language model efficiency optimization"
if "vector db" in query:
return query + " vector database semantic search"
return query
rewriter = QueryRewriter()
user_query_1 = "improve LLM performance"
rewritten_1 = rewriter.rewrite(user_query_1)
print(f"Original 1: {user_query_1}")
print(f"Rewritten 1: {rewritten_1}\n")
user_query_2 = "how to use vector db"
rewritten_2 = rewriter.rewrite(user_query_2)
print(f"Original 2: {user_query_2}")
print(f"Rewritten 2: {rewritten_2}")Why We Need Reranking
Even after a great initial search (perhaps with a rewritten query!), the top 'N' documents returned by your retriever might not be perfectly ordered by relevance.
The retriever's job is often to find potential matches. Reranking steps in to refine this order, ensuring the absolute best documents are at the very top.
The Reranking Process
Reranking works like this:
- Your initial retriever fetches a larger set of candidate documents (e.g., top 50).
- A specialized reranker model then takes each of these candidate documents, along with the original user query, and provides a more precise relevance score.
- The documents are then sorted again based on these new, more accurate scores.
This ensures the most relevant documents are passed to the LLM.
Specialized Reranking Models
Unlike a retriever that often uses embeddings for approximate similarity, rerankers typically use more sophisticated models, often called cross-encoders.
- Cross-encoders take both the query AND a document as input.
- They consider the interaction between the query and document terms directly.
- This allows for a much more nuanced understanding of relevance, though it's computationally more intensive, hence why it's only applied to a smaller subset of documents.
Code: Simulating Reranking
This example shows how a reranker might re-score and reorder an initially retrieved list of documents based on their relevance to the query.
class Reranker:
def rerank(self, query, documents):
# Simulate a cross-encoder model scoring documents
scores = {}
for doc in documents:
if "vector database" in doc.lower() and "fast" in query.lower():
scores[doc] = 0.95 # Highly relevant
elif "llm" in doc.lower() and "improve" in query.lower():
scores[doc] = 0.85
elif "database" in doc.lower():
scores[doc] = 0.7
else:
scores[doc] = 0.3 # Less relevant
# Sort documents by score in descending order
sorted_docs = sorted(documents, key=lambda d: scores.get(d, 0), reverse=True)
return sorted_docs
reranker = Reranker()
user_query = "How to build a fast vector database?"
initial_docs = [
"Introduction to LLMs",
"Building a scalable vector database",
"Optimizing LLM inference",
"Fast data ingestion for databases"
]
reranked_docs = reranker.rerank(user_query, initial_docs)
print(f"Original documents: {initial_docs}\n")
print("Reranked documents (most relevant first):")
for doc in reranked_docs:
print(f"- {doc}")The Power of Combination
The true power comes from combining both techniques:
- First, Query Rewriting creates a better search query.
- Then, your retriever uses this improved query to fetch a broader, more relevant set of documents.
- Finally, Reranking fine-tunes the order of these documents, ensuring the LLM receives the absolute best context to generate a response.
This multi-stage approach significantly boosts the quality and accuracy of your RAG system.
Check Your Understanding
Time to test what you've learned about optimizing RAG through query rewriting and reranking.
Recap & Next Steps
Great job! In this lesson, you learned about Query Rewriting and Reranking.
- Query Rewriting modifies the user's input to create a more effective search query.
- Reranking reorders initially retrieved documents using a more precise model to surface the most relevant ones.
Together, these techniques significantly enhance the quality and accuracy of your RAG applications. Next, we'll explore even more advanced RAG architectures!
Questions Fréquemment Posées
La leçon « Réécriture et reclassement des requêtes » est-elle gratuite ?
Oui — le texte complet de « Réécriture et reclassement des 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 LLM Apps in Production (RAG + Vector DB + Caching), passe à CoddyKit PRO. Le cours LLM Apps in Production (RAG + Vector DB + Caching) comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Réécriture et reclassement des requêtes » ?
Découvrez des techniques pour optimiser les requêtes des utilisateurs et reclasser les documents retrouvés afin d’accroître leur pertinence pour le LLM. Tu pratiques LLM Apps in Production (RAG + Vector DB + Caching) 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 LLM Apps in Production (RAG + Vector DB + Caching) ?
Aucune expérience préalable n'est requise. LLM Apps in Production (RAG + Vector DB + Caching) 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 « Réécriture et reclassement des 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 LLM Apps in Production (RAG + Vector DB + Caching) ?
Oui. Chaque leçon LLM Apps in Production (RAG + Vector DB + Caching) 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
- Réécriture et reclassement des requêtes
- Modèles RAG en plusieurs étapes et agentiques
- Gérer les structures de documents complexes
- Auto-interrogation et citations