#Query Decomposition

3 篇

When Should Queries Be Decomposed? A Stage-Aware Study of Query Decomposition for Multi-Condition Retrieval

多条件检索中查询分解的阶段效应研究

🧭 多条件检索 · 查询分解阶段性效应 ★ 深度解读

Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative · Eastern Institute of Technology, Ningbo · Shanghai Jiao Tong University

发现查询分解在初始检索时因语义稀释而有害，在重排序时能提升细粒度约束验证，提出分阶段分解框架

📌 工作参考价值（4 点）

分阶段使用查询分解：在召回阶段保留原始完整查询，避免将多条件查询拆成子查询导致语义稀释、召回失败和易负样本增多；仅在重排序阶段引入固定大小（2-3个条件）的子查询分解，配合 Score-Sum 融合，能显著提升对硬负样本的区分能力。
重排序阶段的细粒度验证：利用分解后的子查询与候选文档进行逐条件匹配，让 LLM reranker 做 token 级交互验证，提升 win rate 和 NDCG，尤其适用于电商中带多属性约束的商品搜索（如“轻薄 16GB RAM <$1500 游戏本 512GB SSD”）。
固定大小分解与自适应分解的选择：固定大小（k=2,j=3）优于单条件朴素分解和 LLM 自适应分解，实现简单且效果稳定；若业务中有更复杂的嵌套意图，可考虑用 LLM 动态决定分解粒度，但需注意推理成本。
避免召回阶段的查询分解：实验证明在 dense retriever（BGE、Qwen3-Embedding 系列）上，对复杂查询进行分解再融合会降低 Recall@50 和 NDCG@10，主要由语义稀释导致，该结论对双塔召回架构下的多条件搜索有直接警示意义。

RecSys | 2026-06-07 | cs.IR | score 8/10

智能体编排的自适应 RAG：结构化与多跳检索对比研究

🧭 RAG 自适应编排与多跳检索对比

University of Toledo

提出 Agent 编排的自适应 RAG 框架，发现动态分解与反思并非普适，需根据查询和领域选择性使用。

📌 工作参考价值（4 点）

按查询类型自适应路由：电商 RAG 系统中，简单事实查询避免过度分解，多跳推理查询才启动迭代检索，避免统一处理带来的精度损失。
引用准确性增强可参考反思机制：在答案生成后增加轻量级自检（如检查引用是否支持声明），能明显提升可信度，但需控制延迟，可只在高风险场景（如售后纠纷、合规问答）开启。
结构化领域优先采用查询分解：对于商品说明书、运维手册等结构清晰的语料，动态分解能提升检索覆盖率和排序精度（MRR +0.17），可直接复用。
成本感知的编排框架设计：根据延迟预算和查询复杂度动态调节 agent 行为，避免“最强即最好”的暴力策略，对工程落地很有价值。

RAG | 2026-06-04 | cs.IR | score 7/10

长视频关键帧检索：查询分解为工具调用与布尔合并

🧭 长视频理解 · 查询分解与工具调用 ★ 深度解读

University of Illinois at Urbana-Champaign

ToolMerge 用 LLM 规划器将查询分解为多个轻量视觉工具调用，并通过布尔运算符合并排名，在长视频关键帧检索上取得领先

📌 工作参考价值（4 点）

查询分解与工具融合范式：在电商搜索或商品推荐中，可将一个复杂查询（如“红色连衣裙，有蕾丝，适合晚宴”）分解为多个独立检索流（颜色、材质、场景），每个流用专用 scoring 工具，再用布尔 rank 合并（AND/OR）代替简单加权，可提升多属性检索精度。
轻量级检索 + LLM 规划器分离：工业级系统可沿用 SigLIP/CLIP 等轻量模型做粗筛，OCR 等规则做精准补充，再由 LLM 规划器决定如何组合，无需对每一帧或每一件商品调用大模型，大幅度降低延迟和成本。
无标注 RL 优化检索策略：GRPO 训练规划器时，仅使用基于时间戳的召回分数作为奖励，无需人工标注最优工具调用序列。这一思路可直接迁移到商品推荐或 RAG 场景，用用户点击或检索命中率作为奖励，通过 RL 优化查询分解策略。
NMS 去重维持多样性：在最终帧选择中使用的贪婪 NMS（保证最小时间间隔），可借鉴到推荐系统的多样性约束，选择相似度高的候选项进行步进式过滤，平衡相关性和多样性。

Multimodal | 2026-05-22 | cs.CL | score 8/10