在 RAG（检索增强生成）系统中，是否在提示中与检索到的文本一起重复或改写原始问题取决于具体情况和目标。直接重复问题可确保模型与用户意图保持一致，尤其是在检索到的内容复杂或包含多个主题的情况下。然而，改写可以细化焦点或调整查询，使其更好地匹配检索到的信息。这两种方法都会影响模型如何解释上下文并生成答案，因此选择应取决于清晰度和灵活性之间的权衡。
逐字重复原始问题有助于将模型的响应锚定在用户的确切措辞上，从而减少歧义。例如，如果用户问“导致智能手机电池老化的原因是什么？”，并且检索到的文本包含“锂离子老化”等技术术语，重述问题可确保模型优先处理与查询直接相关的根本原因。当检索到的内容高度相关但密集时，这种方法很有效，因为它会向模型发出信号，要求它过滤掉无关的细节。然而，重复可能会限制模型推断隐含需求的能力。如果原始问题含糊不清，例如“如何修复此错误？”，即使检索到的文本包含具体的解决方案，不提供额外上下文的重复也可能导致泛泛的回答。
改写问题可以更好地与检索到的内容对齐或澄清意图。例如，如果原始查询是“解释梯度下降”，但检索到的文本侧重于“随机梯度下降”，则将提示改写为“解释随机梯度下降”会使答案更符合可用信息。当检索步骤提供更精确的术语或子主题时，这很有用。但是，改写可能会引入偏差或误解用户的目标。过度修改问题可能会导致模型忽略原始查询的关键方面。例如，将“HTTPS 如何工作？”更改为“描述 HTTPS 加密”可能会将答案范围缩小到安全功能，而忽略握手协议等更广泛的概念。
最佳方法取决于平衡对用户输入的忠实度与对检索到的上下文的适应性。如果检索到的文本直接回答了原始问题，重复更安全。如果内容相关但需要综合，仔细改写的提示可以产生更准确的结果。开发者应使用实际示例测试这两种策略——例如比较“什么是 React？”（重复）与“解释 React 的组件模型”（改写）的答案——以确定哪种方法适合其系统的性能和用户需求。监测答案相关性和用户反馈等指标可以指导优化。
