🧠 图解记忆： 假设文档只负责把查询带到更合适的向量区域，最终答案仍必须由真实检索证据支撑。

💡 答案要点

核心思想：让 LLM 先写"假答案"，再用假答案去检索

为什么需要 HyDE？

• 用户查询是短文本，语义信息有限
• 直接检索可能无法准确匹配相关文档
• HyDE 用 LLM 生成"假设性答案"，答案更接近文档风格

HyDE 工作流程：

用户查询: "Transformer为何能并行计算？"

Step 1: LLM 生成假设性答案（不真实，但风格类似文档）
假设性答案: "Transformer并行计算的核心在于Self-Attention机制..."
         → 这个答案的embedding更接近真实技术文档

Step 2: 用假设性答案的向量去检索
检索: cosine_similarity(假设答案_emb, 文档_emb)

Step 3: 检索出真实文档
返回: ["Attention is all you need论文...", "BERT技术解读..."]

Step 4: 用真实文档 + 用户原始问题 → 最终生成答案

代码实现：

def hyde_retrieve(query, vector_db, llm, k=5):
    # Step 1: LLM生成假设性答案
    hypothetical_doc = llm.generate(
        f"请用技术文档的风格回答以下问题，不需要真实：{query}"
    )

    # Step 2: 用假设答案检索
    query_emb = embed(hypothetical_doc)
    results = vector_db.search(query_emb, k=k)

    return results

适用场景：

• 查询与文档风格差异大（如口语问 vs 学术文档）
• 需要深层语义理解的问题
• 简单关键词匹配效果不好的场景

面试话术：

示例表达（仅在能用本人经历或可复现实验佐证时使用）： "HyDE 的核心思想很巧妙：先用 LLM 生成一个'假答案'，这个假答案的风格更接近真实文档，用它去检索效果反而更好。因为用户的问题是短文本，直接检索容易语义漂移，而 LLM 生成的回答是长文本，embedding 更稳定。实测在学术问答场景，HyDE 能提升召回率 15-20%。"