Query改写方法有子问题拆解、短语提取、回溯检索、虚拟文档等方法。见：https://blog.csdn.net/qq_43814415/article/details/138606669
llama-index的实现见：https://zhaozhiming.github.io/2024/05/13/query-rewrite-rag/

这里总结实际使用大模型改写时的优化方法：
在实际改写的时候，大模型会出现各种问题：不听指令、改写后的查询和数据库内容无关等。

解决方法：
1.few shot：从提示的角度解决，方便。给一个系统提示词，再加上几个会话，都遵循输入一个用户Query，输出一个改写后的Query。
2.RaFe：大模型的指令遵循需要大参数量级的模型，但是推理成本高。更合适的方法是训练一个小模型。一般先进行SFT，再进行离线的DPO微调。
https://arxiv.org/abs/2405.14431