Query Rewriting
Query Rewriting (Umschreiben der Suchanfrage) verändert die Frage eines Nutzers vor der Suche, etwa indem es sie präzisiert, aufteilt oder um verwandte Begriffe ergänzt, damit der Retriever eher die Passagen findet, die sie beantworten.
Auch: query expansion, HyDE, query transformation
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Leute tippen kurze, vage oder plaudernde Fragen. „Und was ist mit dem anderen?“ bedeutet für einen Suchindex ohne das vorherige Gespräch nichts. Bei Retrieval-Augmented Generation verwandelt ein Umschreibeschritt, meist ein LLM-Aufruf, die rohe Eingabe in eine oder mehrere bessere Suchanfragen.
Gängige Techniken
Umschreiben: die Frage als eigenständige Anfrage neu formulieren und Pronomen aus dem Chatverlauf auflösen. Query Expansion: Synonyme oder verwandte Begriffe hinzufügen, was Stichwortsuche wie BM25 hilft. Zerlegung: eine mehrteilige Frage in Teilanfragen aufteilen und nach jeder suchen. Multi-Query: mehrere Formulierungen erzeugen und die Ergebnisse zusammenführen, wie bei der hybriden Suche.
HyDE
Hypothetical Document Embeddings (HyDE) lässt ein LLM eine erfundene Antwort auf die Frage schreiben, bettet diese Antwort ein und sucht damit. Die erfundene Antwort kann falsche Details enthalten, sieht aber aus wie die Dokumente, die du suchst, daher landet ihr Embedding oft näher an ihnen als die kurze Frage.
Forschungsgrundlage
Das Paper Rewrite-Retrieve-Read beschrieb das Problem als Lücke zwischen dem, was Nutzer tippen, und dem, was das Retrieval braucht, und trainierte dafür ein kleines Umschreibemodell.
Grenzen
Jedes Umschreiben fügt einen LLM-Aufruf hinzu, also steigen Latenz und Kosten. Eine Umschreibung kann sich von dem entfernen, was der Nutzer meinte. Logge die ursprüngliche und die umgeschriebene Anfrage und prüfe, ob das Umschreiben die Retrieval-Metriken auf deinen Daten tatsächlich verbessert. Das in einer Schleife zu tun ist eine Form von Agentic RAG.
Verwandte Begriffe
- Retrieval-Augmented Generation
- Retrieval-Augmented Generation (RAG, abrufgestützte Generierung) ist ein Muster, bei dem ein System zuerst eine Dokumentensammlung nach Passagen durchsucht, die für eine Frage relevant sind, und diese Passagen dann einem Sprachmodell gibt, damit seine Antwort darauf aufbaut.
- Hybride Suche
- Hybride Suche (Hybrid Search) führt zu derselben Anfrage eine Stichwortsuche und eine Vektorsuche aus und führt die beiden Ergebnislisten zusammen, sodass Treffer sowohl über exakte Wörter als auch über Bedeutung passen können.
- Agentic RAG
- Agentic RAG (agentisches RAG) ist Retrieval-Augmented Generation, gesteuert von einem KI-Agenten, der entscheidet, wann gesucht wird, wonach und in welcher Quelle, und erneut suchen kann, wenn die ersten Ergebnisse nicht reichen.
- Embedding
- Ein Embedding (Einbettung) ist eine Liste von Zahlen (ein Vektor), die ein Stück Text, ein Bild oder andere Daten repräsentiert und so erzeugt wird, dass Elemente mit ähnlicher Bedeutung nahe beieinanderliegende Vektoren erhalten.
- Retrieval-Metriken (Recall@k, nDCG, MRR)
- Retrieval-Metriken bewerten, wie gut ein Suchsystem relevante Dokumente liefert. Recall@k prüft, wie viele relevante Einträge unter den ersten k erscheinen, nDCG belohnt es, sie weit oben einzuordnen, und MRR misst, wie früh der erste richtige auftaucht.