Reescrita de consultas
A reescrita de consultas (query rewriting) altera a pergunta de um usuário antes da busca, por exemplo esclarecendo-a, dividindo-a ou adicionando termos relacionados, para que o retriever tenha mais chance de encontrar os trechos que a respondem.
Também chamado: query expansion, HyDE, query transformation
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
As pessoas digitam perguntas curtas, vagas ou em tom de conversa. "E o outro?" não significa nada para um índice de busca sem a conversa anterior. Na retrieval-augmented generation, uma etapa de reescrita, geralmente uma chamada a um LLM, transforma a entrada bruta em uma ou mais consultas de busca melhores.
Técnicas comuns
Reescrita: reformular a pergunta como uma consulta independente, resolvendo pronomes a partir do histórico do chat. Expansão de consulta: adicionar sinônimos ou termos relacionados, o que ajuda buscas por palavra-chave como o BM25. Decomposição: dividir uma pergunta com várias partes em subconsultas e buscar cada uma. Multi-query: gerar várias formulações e combinar os resultados, como na busca híbrida.
HyDE
O Hypothetical Document Embeddings (HyDE) pede a um LLM que escreva uma resposta falsa para a pergunta, depois gera o embedding dessa resposta e busca com ele. A resposta falsa pode ter detalhes errados, mas se parece com os documentos que você quer, então o seu embedding muitas vezes fica mais perto deles do que a pergunta curta ficaria.
Base de pesquisa
O artigo Rewrite-Retrieve-Read definiu o problema como uma distância entre o que os usuários digitam e o que a recuperação precisa, e treinou um pequeno modelo reescritor para isso.
Limites
Cada reescrita adiciona uma chamada a um LLM, então a latência e o custo sobem. Uma reescrita pode se afastar do que o usuário quis dizer. Registre tanto a consulta original quanto a reescrita, e verifique se a reescrita realmente melhora as métricas de recuperação nos seus dados. Fazer isso dentro de um loop é uma forma de agentic RAG.
Termos relacionados
- Retrieval-augmented generation
- Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.
- Busca híbrida
- A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.
- RAG agêntico
- RAG agêntico (agentic RAG) é a geração aumentada por recuperação conduzida por um agente de IA que decide quando buscar, o que buscar e qual fonte usar, e pode buscar de novo se os primeiros resultados não bastarem.
- Embedding
- Um embedding (representação vetorial) é uma lista de números (um vetor) que representa um trecho de texto, uma imagem ou outros dados, produzida de forma que itens com significado parecido acabem com vetores próximos entre si.
- Métricas de recuperação (recall@k, nDCG, MRR)
- Métricas de recuperação (retrieval metrics) avaliam quão bem um sistema de busca retorna documentos relevantes. O recall@k verifica quantos itens relevantes aparecem entre os k primeiros, o nDCG recompensa colocá-los no alto e o MRR mede quão cedo aparece o primeiro correto.