企业级RAG性能优化与质量治理（5）：查询理解、改写与召回增强

文章摘要

企业RAG的召回质量不仅由Embedding模型、向量数据库和Reranker决定。用户真正输入的内容往往是口语化追问、业务简称、错误码、产品型号、多条件问题或跨文档分析任务。即使索引和检索器本身完全正常，只要Query在进入召回前没有正确理解，系统仍会出现正确文档缺失、错误版本占优、精确Token丢失、权限范围扩大和多跳问题证据不全等问题。

本系列前四篇已经完成质量基线、文档解析与Chunk工程、Hybrid Retrieval与Reranking，以及索引版本、引用和在线监控。本篇在这些能力之前增加“查询理解控制面”：从认证上下文和Conversation History中构造可信查询上下文，抽取不可变实体、数字、版本、否定与范围约束；将用户Query分类为精确型、自然语言型、短抽象型、多轮追问型和多跳型；分别选择Raw Hybrid、Compression、Rewrite、Multi-Query、HyDE或问题分解；每个生成Query通过约束保真校验后，才进入带租户过滤的Sparse与Dense召回。

本文使用Spring AI的CompressionQueryTransformer、RewriteQueryTransformer、MultiQueryExpander和VectorStoreRetriever构建模块化实现，并加入查询预算、并行检索、稳定文档Key、RRF融合、Reranker、缓存、Trace、离线评测与灰度门禁。目标不是让每个问题都生成更多Query，而是在明确召回缺陷时，以可解释、可回滚和可证明的方式提升Recall。