做过检索增强生成（Retrieval-Augmented Generation，RAG）的人大概都遇到过这样的情况：用户问了一个完全合理的问题，但检索就是漏掉了最相关的信息。
传统 RAG Pipeline 不弱，但它严重依赖查询和文档分块之间的直接相似度匹配。措辞和文档内容只要写法不一样这套就开始失灵。
Hypothetical Document Embeddings（HyDE） 不是"搜索文档"，而是让系统在检索开始之前，先想清楚理想答案应该长什么样。
传统检索的问题
大多数 RAG 系统的流程很简单：
Query → Embedding → Vector Search → Retrieved Chunks → LLM Response
向量数据库根据语义相似度去检索，但相似不等于相关。
举个例子：
Query:
"How can LangSmith help monitor LLM applications?"
如果存储的分块里从来没出现过 "monitor"、"tracking" 或 "observability"，哪怕文档里其实写过答案，检索质量也会掉下来。
由此带来三类典型问题：对未见过的查询检索效果差；在领域专有术语上表现弱；不相关的上下文被送进了 LLM。检索一旦失败，生成基本也跟着崩。
什么是 HyDE
HyDE 是 Luyu Gao 提出的检索技术，思路是：在向量检索之前，先生成一份假设的答案文档。
不是直接把用户查询拿去做 Embedding，而是这样：
User Query
↓
LLM generates hypothetical answer/document
↓
Create embedding of that hypothetical document
↓
Search vector database using this richer embedding
↓
Retrieve better context
核心想法非常简单：生成出来的假设文档，比原始的短查询承载了更丰富的语义。检索系统据此搜索的是"上下文意图"，而不只是关键词层面的相似度。
HyDE 内部是怎么跑的
完整流程如下。
1、用户提交查询例如：
"What is LangSmith and why do we need it?"
2、LLM 生成一份假设文档
LLM 写出一段可能回答这个问题的合成文本。
例如：
"LangSmith helps developers monitor, debug, and evaluate LLM applications..."
这份文档并不要求事实完全正确，它要表达的是"一个有用答案大致长什么样"。
3、生成 Embedding
把假设文档转成向量。这个向量通常比直接对原始查询做 Embedding 信息密度高得多。
4、执行向量检索
用这个 Embedding 去向量数据库里做相似度搜索：
Hypothetical Embedding → Similarity Search → Relevant Documents
检索关注的是概念上的相关性，而不是浅层的关键词匹配。
5、生成最终答案
检索到的文档进入 RAG 的生成阶段，从而拿到更准确、更贴合上下文的回答。
这个设计的妙处在于不需要重新训练检索模型。改变查询的表达方式，就能改善检索质量。
LangChain 实现
HyDE 之所以流行起来，原因之一是用 LangChain 有现成的实现我们可以直接拿来用
fromlangchain.embeddingsimportOpenAIEmbeddings
fromlangchain.chat_modelsimportChatOpenAI
fromlangchain.chains.hyde.baseimportHypotheticalDocumentEmbedder
llm=ChatOpenAI(
temperature=0
)
base_embeddings=OpenAIEmbeddings()
hyde_embeddings=HypotheticalDocumentEmbedder.from_llm(
llm=llm,
base_embeddings=base_embeddings,
prompt_key="web_search"
)
query="What is LangSmith and why do we need it?"
embedding=hyde_embeddings.embed_query(query)
LLM 生成假设答案；答案被 Embedding；Embedding 用于检索。代码改动很小，但检索效果可能有不小的提升。
总结
HyDE 在 RAG 应用里尤其有用，特别是：文档很长；术语与用户表述差异大；检索质量不稳定。
传统 RAG 搜索的是"与查询相似的文档"，HyDE 搜索的是"与理想答案相似的文档"。一个小小的视角切换，让检索明显聪明了不少。
by Mangesh Jadhav