https://python.langchain.com.cn/docs/expression_language/cookbook/retrieval

要搞懂“跟进问题+对话历史改写为独立问题”，核心是解决“指代词（他/她/它、这个/那个）没上下文，检索器看不懂”的问题。我用文档里的具体案例拆解，不绕抽象概念，每一步都对应实际场景和代码逻辑。

一、先明确3个关键概念（用文档案例定义）

先把“对话历史、跟进问题、独立问题”这三个词和具体例子绑定，你就能直观理解：

概念	定义（文档案例）	例子（文档中的对话）
对话历史	之前的交互记录，包含用户和AI的对话内容，是理解“指代词”的关键上下文。	「用户：Who wrote this notebook?（谁写的这个笔记本？）；AI：Harrison（哈里森）」
跟进问题	用户在对话历史后提出的新问题，通常包含指代词（他/她/它、这个/那个），依赖历史才能理解。	「where did he work?（他在哪工作？）」——“he”（他）依赖历史才知道是指Harrison
独立问题	把“跟进问题+对话历史”合并改写后，去掉指代词、补充完整上下文的问题，不依赖历史也能看懂。	「where did Harrison work?（哈里森在哪工作？）」——无指代词，单独看也明确

二、为什么基础RAG处理不了“跟进问题”？（核心矛盾）

基础RAG的检索逻辑是：用用户当前的问题直接去向量库匹配相似文本。但“跟进问题”里的指代词（如“he”）没有上下文，向量库看不懂“他”指谁，会导致检索失效——

比如基础RAG遇到“where did he work?”：

1. 检索器拿到问题“where did he work?”，生成对应的向量；
2. 向量库中只有“harrison worked at kensho”这条文本，其向量与“he”（无明确主体）的向量语义不匹配；
3. 检索器找不到相关上下文，LLM就无法生成准确回答。

这就是必须改写的原因：跟进问题有“歧义”，必须用对话历史补充信息，把歧义消除，变成无歧义的独立问题，检索器才能正确匹配上下文。

三、改写的具体过程（对应文档代码，分3步）

文档里是通过“提示模板+LLM”实现改写的，核心是让LLM读“对话历史+跟进问题”，自动把指代词替换成明确的主体。具体步骤对应文档中的代码逻辑：

步骤1：准备“改写提示模板”（CONDENSE_QUESTION_PROMPT）

先定义一个提示，明确告诉LLM“你的任务是把‘对话历史+跟进问题’改成独立问题”，模板内容来自文档：

_template = """Given the following conversation and a follow up question, rephrase the follow up question to be a standalone question, in its original language.
Chat History:
{chat_history}  # 这里填对话历史
Follow Up Input: {question}  # 这里填跟进问题
Standalone question:"""
CONDENSE_QUESTION_PROMPT = PromptTemplate.from_template(_template)

这个模板的作用是给LLM“发指令”，让它按规则改写。

步骤2：把“对话历史+跟进问题”传入模板

将实际的对话历史和跟进问题填充到模板中，形成LLM能理解的完整指令。比如文档中的案例：

• 对话历史（chat_history）："Human: Who wrote this notebook?\nAI: Harrison"（用get_buffer_string函数把Message列表转成这种字符串格式）
• 跟进问题（question）："where did he work?"

填充后，传给LLM的指令是：

Given the following conversation and a follow up question, rephrase the follow up question to be a standalone question, in its original language.
Chat History:
Human: Who wrote this notebook?
AI: Harrison
Follow Up Input: where did he work?
Standalone question:

步骤3：LLM生成独立问题

用ChatOpenAI（文档中用的是这个模型）处理上述指令，LLM会自动识别“he”指的是对话历史中的“Harrison”，生成独立问题：

where did Harrison work?

到这里，“跟进问题+对话历史”就成功改写成了“独立问题”——没有指代词，单独看也明确，检索器能直接用它去向量库匹配。

四、改写后的作用（回到RAG流程）

改写完成后，整个对话式RAG的流程就通了，对比基础RAG的区别：

流程环节	基础RAG（无改写）	对话式RAG（有改写）
1. 接收用户输入	直接拿“where did he work?”去检索	先把“对话历史+where did he work?”改写成“where did Harrison work?”
2. 检索上下文	因“he”无明确主体，检索不到“harrison worked at kensho”	用“where did Harrison work?”检索，成功匹配到相关文本
3. LLM生成回答	无上下文，无法准确回答	基于检索到的“harrison worked at kensho”，回答“Harrison worked at Kensho.”

五、总结：改写的核心目的

一句话说清：给跟进问题中的“指代词”（他/她/它、这个/那个）补充对话历史中的“明确主体”，消除歧义，让检索器能看懂问题，从而找到正确的上下文。

比如：

• “他” → 补充历史后明确是“Harrison”；
• “这个工具” → 补充历史后明确是“LangChain”；
• “那个问题的答案” → 补充历史后明确是“‘2+2等于几’的答案”。

没有这一步，对话式RAG就无法处理日常对话中常见的“指代性提问”，只能像基础RAG一样，要求用户每次都问“无歧义的完整问题”，体验很差。