Capítulo 1: Transformación de Consultas

¿Por qué transformar las consultas?

Las consultas de los usuarios suelen ser:

• Ambiguas o incompletas
• Usar un vocabulario diferente al de los documentos
• Demasiado cortas para un buen embedding

Reescritura de consultas

from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate

rewrite_prompt = PromptTemplate.from_template("""
Rewrite the following query to be more specific and searchable.
Original: {query}
Rewritten:""")

llm = ChatOpenAI(model="gpt-4")
chain = rewrite_prompt | llm

# "how does it work?" → "How does retrieval augmented generation work?"
rewritten = chain.invoke({"query": "how does it work?"})

Expansión de consultas

Agregue términos relacionados:

expansion_prompt = PromptTemplate.from_template("""
Expand this query with related terms and synonyms:
Query: {query}
Expanded query with alternatives:""")

# "ML" → "machine learning ML deep learning artificial intelligence AI"

HyDE (Hypothetical Document Embeddings)

Genere una respuesta hipotética, obtenga su embedding y búsquela con eso:

def hyde_retrieval(query, llm, retriever):
    # Step 1: Generate hypothetical document
    hyde_prompt = f"""Write a short paragraph that would 
    answer this question: {query}"""
    
    hypothetical_doc = llm.invoke(hyde_prompt)
    
    # Step 2: Embed the hypothetical document
    # (embeddings will be closer to real documents)
    
    # Step 3: Retrieve using hypothetical embedding
    results = retriever.get_relevant_documents(
        hypothetical_doc.content
    )
    
    return results

Por qué funciona HyDE:

• La respuesta hipotética utiliza el vocabulario de los documentos
• Mejor alineación del embedding con el corpus
• Especialmente útil para consultas complejas

Resumen

Técnica	Cuándo usar	Mejora
Reescritura	Consultas vagas	Claridad
Expansión	Sinónimos ausentes	Recall
HyDE	Preguntas complejas	Precisión