LlamaIndex 允许你在索引结构之上执行查询变换。查询变换是把一个查询转换成另一个查询的模块。它可以是单步的，即变换只执行一次，随后查询就打到索引上。

它也可以是多步的，即：

1. 查询被变换，并打到索引上执行，
2. 取回回答。
3. 后续的查询以依次递进的方式继续被变换/执行。

下面更详细地列出我们的几种查询变换。

用途

查询变换有多个用途：

• 把初始查询转换成更容易嵌入的形式（例如 HyDE）
• 把初始查询转换成一个更容易从数据中得到答案的子问题（单步查询分解）
• 把初始查询拆成多个各自更容易回答的子问题（多步查询分解）

HyDE（假设文档嵌入）

HyDE 的技术是：给定一个自然语言查询，先生成一个假设性的文档/回答，然后用这个假设文档去做嵌入查找，而不是用原始查询。

使用 HyDE 的示例代码如下。

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.indices.query.query_transform.base import (
    HyDEQueryTransform,
)
from llama_index.core.query_engine import TransformQueryEngine

# load documents, build index
documents = SimpleDirectoryReader("../paul_graham_essay/data").load_data()
index = VectorStoreIndex(documents)

# run query with HyDE query transform
query_str = "what did paul graham do after going to RISD"
hyde = HyDEQueryTransform(include_original=True)
query_engine = index.as_query_engine()
query_engine = TransformQueryEngine(query_engine, query_transform=hyde)
response = query_engine.query(query_str)
print(response)

完整演练请看我们的示例 notebook。

多步查询变换

多步查询变换是对既有单步查询变换方法的推广。

给定一个初始的复杂查询，先对它做变换并打到索引上执行，取回该查询的回答。再结合这个回答（以及此前的回答）与原查询，可以继续对索引提出后续问题。这样一来，同一个查询就能反复打到同一个知识源上，直到满足所有子问题为止。

下面是一张示例图。

对应的示例代码如下。

from llama_index.core.indices.query.query_transform.base import (
    StepDecomposeQueryTransform,
)

# gpt-4
step_decompose_transform = StepDecomposeQueryTransform(llm, verbose=True)

query_engine = index.as_query_engine()
query_engine = MultiStepQueryEngine(
    query_engine, query_transform=step_decompose_transform
)

response = query_engine.query(
    "Who was in the first batch of the accelerator program the author started?",
)
print(str(response))

完整演练请看我们的示例 notebook。

• HyDE 查询变换
• 多步查询