构建AI智能体：精准检索“翻译官”：RAG Query改写最佳实践-人工智能-PHP中文网

一、必不可少

回忆我们日常的场景中，有时候我们使用百度或google，要得到一个问题的答案，似乎来来回回换了很多次问法，才得到了我们期望的答案，或者到最后都没有获取预期的结果，这是为什么呢?

这里存在一个核心矛盾，我们的“问法”和知识库的“存法”有着极大的差异，我们在提问过程中（Query）灵活、多变、口语化、不完整且没有标明依赖背景，比如会问“电脑卡死了咋办”、“LLM和AI有啥关系”等，知识库的存法都是固定、规范、目录、索引且自成体系的结构化内容，如果直接将两者匹配，就像是用独特的方言和普通话交流，对两者来说都可能是晦涩难懂，不一定是完全失败，但失败的概率会非常大，寻求问题的答案，自然是需要追求更大的成功率，所以对请求提问（Query）的改写是很有必要且必不可少的。

二、什么是Query改写

核心定义

Query 改写是指在 RAG 系统的检索阶段之前，对用户输入的原始查询（Query）进行一系列处理、扩展或重构的技术，旨在生成一个或多个对检索器（Retriever）更友好、更能匹配知识库中相关文档的“新查询”。

主要工作

把我们的“原始查询”，通过适合的方法加工翻译成知识库能听懂、能高效执行的“改写后的查询”。

三、为什么需要Query改写

由于每个人的不同的思维都会有独特的提问方式和术语，导致我们输入的原始查询会存在以下的一些偏差：

简短模糊： “如何解决这个问题？” -> “这个问题”指代不明。缺乏上下文：在多轮对话中，用户可能说“那上一个方法呢？”，缺乏指代。表述不专业：用户使用口语化或错误术语，而知识库使用规范术语。信息缺失：问题隐含了未明说的前提条件或意图。语义鸿沟：用户的问法和文档中的答法在表述上不一致。

如果直接将这样的原始查询扔给检索器（如向量数据库做相似性搜索），很可能检索到不相关或次相关的文档，导致后续的生成阶段（Generator）产生“胡言乱语”或答非所问的情况。

因此，Query 改写的终极目标是：提升检索召回率（Recall）和精确率（Precision），为答案生成奠定高质量的上下文基础。

四、Query不该写会有什么影响

如果不对 Query 做任何处理，直接扔给检索器（比如向量数据库做语义搜索），会出现一些问题：

1. 召回失败（Recall Failure）：根本找不到答案

问题：用户问：“苹果股价咋样了？”（用了口语“咋样”和品牌“苹果”）

答案：知识库里的文档标题是：《Apple Inc. (AAPL) 2024年Q2财报与股价分析》。

偏差：虽然“苹果”和“Apple”语义相似，但“咋样”和“财报分析”的匹配度很低。检索器可能无法将这篇最相关的文档排到最前面，甚至完全找不到它。用户得到的结果是“未找到相关信息”或一个不相关的答案。

2. 精度失败（Precision Failure）：找到错误的答案

问题：用户问：“Python怎么装？”（想安装Python语言环境）

答案：知识库里还有一篇文档叫《如何在Python中安装PyTorch包（Using Pip）》。

后果：检索器发现“Python”和“安装”这两个词都高度匹配，很可能将这篇关于“安装包”的文档错误地排在第一位。最终大模型根据这篇错误文档，开始教用户如何使用pip install，完全答非所问。

3. 上下文低效（Ineffective Context）：找到的文档无法用于生成

问题：用户问：“总结一下Transformer的创新点。”

答案：知识库里最相关的是一篇50页的论文《Attention Is All You Need》。

偏差：检索器成功找对了文档！但它把整整50页的论文全部作为上下文扔给了大模型。最终大模型的输入长度有限，可能被迫截断后面的内容；同时，过多的无关信息也会干扰大模型的判断，导致它无法生成一个精炼、准确的总结。

五、怎么去做Query改写

1. 补充细节：把模糊的话变具体。

如果问：“上次说的那个事？”（啥事？）改写为：“关于上周三会议上讨论的预算增加方案。”（这下清楚了！）

2. 更换说法：把口语化的词换成知识库里正式的词。

如果问：“电脑卡死了咋办？” 改写为：“计算机响应缓慢故障排除的解决方案”（术语对齐，一找一个准）

3. 多角度提问：怕一种问法搜不到，就换几种方式都问问。

如果问：“这个 error 是啥意思？” 改写后则会同时问：“这个错误代码的含义”、“如何解决这个错误”、“这个错误的常见原因”（这样搜到的答案更全面！）

4. 猜你想要啥：根据你的问题，直接“脑补”出一段答案，然后用这段答案去匹配相似的文档。

如果问：“怎么泡茶好喝？” 改写会“脑补”出一段话：“要选择好水，控制水温，绿茶80度，红茶100度……”，然后用这段“脑补”的专业描述：去知识库找，更容易找到《茶艺入门》这种专业文档，而不是只匹配“泡茶”、“好喝”这种词。

通过Query改写，检索器能找到真正相关的文档，大模型才能更准确的分析得出让我们满意的答案。

如果没有这一步，就好比再厉害的厨师，用一堆错误的食材，也做不出好菜。所以，Query改写是确保RAG系统聪明好用的第一步，也是至关重要的一步。

六、Query改写的类型

以下改写类型都是结合 qwen-turbo-latest模型的Query改写演示：

1. 上下文依赖型

定义：用户的当前查询严重依赖之前的对话历史或未明说的上下文背景，孤立地看当前查询则无法理解其真实意图。挑战：检索器看不到对话历史，直接检索会因信息缺失而失败。改写策略：将关键的上下文信息显式地融入当前查询中，生成一个独立、完整的查询。示例：对话历史：

用户：介绍一下苏轼。

AI：苏轼，字子瞻，号东坡居士，北宋著名文学家...

用户：他的词风呢？

原始查询：他的词风呢？（检索器无法理解“他”指谁）

改写后查询：苏轼的词风特点是什么？

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def rewrite_context_dependent_query(self, current_query, conversation_history):        """上下文依赖型Query改写"""        instruction = """你是一个智能的查询优化助手。请分析用户的当前问题以及前序对话历史，判断当前问题是否依赖于上下文。如果依赖，请将当前问题改写成一个独立的、包含所有必要上下文信息的完整问题。如果不依赖，直接返回原问题。"""        prompt = f"""### 指令 ###{instruction}### 对话历史 ###{conversation_history}### 当前问题 ###{current_query}### 改写后的问题 ###"""        return get_completion(prompt, self.model)def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例1: 上下文依赖型Query    print("示例1: 上下文依赖型Query")    conversation_history = """用户: "我想了解一下上海迪士尼乐园的最新项目。"AI: "上海迪士尼乐园最新推出了'疯狂动物城'主题园区，这里有朱迪警官和尼克狐的互动体验。"用户: "这个园区有什么游乐设施？"AI: "'疯狂动物城'园区目前有疯狂动物城警察局、朱迪警官训练营和尼克狐的冰淇淋店等设施。""""    current_query = "还有其他设施吗？"    print(f"对话历史: {conversation_history}")    print(f"当前查询: {current_query}")    result = rewriter.rewrite_context_dependent_query(current_query, conversation_history)    print(f"改写结果: {result}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例1: 上下文依赖型Query对话历史:用户: "我想了解一下上海迪士尼乐园的最新项目。"AI: "上海迪士尼乐园最新推出了'疯狂动物城'主题园区，这里有朱迪警官和尼克狐的互动体验。"用户: "这个园区有什么游乐设施？"AI: "'疯狂动物城'园区目前有疯狂动物城警察局、朱迪警官训练营和尼克狐的冰淇淋店等设施。"当前查询: 还有其他设施吗？改写结果: 除了疯狂动物城警察局、朱迪警官训练营和尼克狐的冰淇淋店之外，'疯狂动物城'园区还有其他游乐设施吗？</code>

登录后复制

2. 对比型

定义：用户意图是对两个或多个实体、概念进行对比、比较其异同或优劣。挑战：直接检索可能只能找到分别描述单个实体的文档，而找不到直接的对比资料。改写策略：在查询中显式添加“vs”、“与”、“区别”、“对比”、“优缺点”等比较性词汇。示例：

原始查询：Transformer 和 RNN

改写后查询：Transformer 与 RNN 的区别和优缺点对比

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def rewrite_comparative_query(self, query, context_info):        """对比型Query改写"""        instruction = """你是一个查询分析专家。请分析用户的输入和相关的对话上下文，识别出问题中需要进行比较的多个对象。然后，将原始问题改写成一个更明确、更适合在知识库中检索的对比性查询。"""        prompt = f"""### 指令 ###{instruction}### 对话历史/上下文信息 ###{context_info}### 原始问题 ###{query}### 改写后的查询 ###"""        return get_completion(prompt, self.model)def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例2: 对比型Query    print("示例2: 对比型Query")    conversation_history = """用户: "我想了解一下上海迪士尼乐园的最新项目。"AI: "上海迪士尼乐园最新推出了疯狂动物城主题园区，还有蜘蛛侠主题园区""""    current_query = "哪个游玩的时间比较长，比较有趣"    print(f"对话历史: {conversation_history}")    print(f"当前查询: {current_query}")    result = rewriter.rewrite_comparative_query(current_query, conversation_history)    print(f"改写结果: {result}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例2: 对比型Query对话历史: 用户: "我想了解一下上海迪士尼乐园的最新项目。"AI: "上海迪士尼乐园最新推出了疯狂动物城主题园区，还有蜘蛛侠主题园区"当前查询: 哪个游玩的时间比较长，比较有趣改写结果: 哪个游玩时间更长、更有趣：上海迪士尼乐园的疯狂动物城主题园区和蜘蛛侠主题园区？</code>

登录后复制

3. 模糊指代型

定义：查询中使用了一些代词（这个、那个）、口语化词汇或省略语，导致所指不明。挑战：知识库中的文档使用明确、规范的语言，无法匹配模糊的指代。改写策略：根据对话历史或常识，将模糊指代替换为具体的实体名称或规范术语。示例：

原始查询：你们那个新品什么时候上线？（“那个新品”指代不明）

改写后查询：智能手表产品 Galaxy Watch 7 的预计上市发布时间

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def rewrite_ambiguous_reference_query(self, current_query, conversation_history):        """模糊指代型Query改写"""        instruction = """你是一个消除语言歧义的专家。请分析用户的当前问题和对话历史，找出问题中 "都"、"它"、"这个" 等模糊指代词具体指向的对象。然后，将这些指代词替换为明确的对象名称，生成一个清晰、无歧义的新问题。"""        prompt = f"""### 指令 ###{instruction}### 对话历史 ###{conversation_history}### 当前问题 ###{current_query}### 改写后的问题 ###"""        return get_completion(prompt, self.model)def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例3: 模糊指代型Query    print("示例3: 模糊指代型Query")    conversation_history = """用户: "我想了解一下上海迪士尼乐园和香港迪士尼乐园的烟花表演。"AI: "好的，上海迪士尼乐园和香港迪士尼乐园都有精彩的烟花表演。""""    current_query = "都什么时候开始？"    print(f"对话历史: {conversation_history}")    print(f"当前查询: {current_query}")    result = rewriter.rewrite_ambiguous_reference_query(current_query, conversation_history)    print(f"改写结果: {result}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例3: 模糊指代型Query对话历史:用户: "我想了解一下上海迪士尼乐园和香港迪士尼乐园的烟花表演。"AI: "好的，上海迪士尼乐园和香港迪士尼乐园都有精彩的烟花表演。"当前查询: 都什么时候开始？改写结果: 上海迪士尼乐园和香港迪士尼乐园的烟花表演都什么时候开始？</code>

登录后复制

4. 多意图型

定义：一个查询中包含了多个独立的问题或意图。回答它需要从知识库中多个不同部分检索信息。挑战：单一查询检索，可能只能匹配到其中一个意图的文档，导致回答不全。改写策略：将复合查询分解成多个原子性的子查询，分别进行检索，最后再整合答案。示例：

原始查询：请介绍公司的创始人背景以及目前的主要产品线。

改写后查询：

[公司名称] 创始人背景经历

[公司名称] 当前主要产品线有哪些

Medeo

AI视频生成工具

191

查看详情

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def rewrite_multi_intent_query(self, query):        """多意图型Query改写 - 分解查询"""        instruction = """你是一个任务分解机器人。请将用户的复杂问题分解成多个独立的、可以单独回答的简单问题。以JSON数组格式输出。"""        prompt = f"""### 指令 ###{instruction}### 原始问题 ###{query}### 分解后的问题列表 ###请以JSON数组格式输出，例如：["问题1", "问题2", "问题3"]"""        response = get_completion(prompt, self.model)        try:            return json.loads(response)        except:            return [response]def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例4: 多意图型Query    print("示例4: 多意图型Query")    query = "门票多少钱？需要提前预约吗？停车费怎么收？"    print(f"原始查询: {query}")    result = rewriter.rewrite_multi_intent_query(query)    print(f"分解结果: {result}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例4: 多意图型Query原始查询: 门票多少钱？需要提前预约吗？停车费怎么收？分解结果: ['门票多少钱？', '需要提前预约吗？', '停车费怎么收？']</code>

登录后复制

5. 反问型

定义：用户以反问或否定句的形式提出问题，但其真实意图是肯定性的。挑战：检索器可能被反问的语气或否定词误导，去检索“为什么不”的原因，而不是如何做。改写策略：识别出反问句背后的真实肯定性意图，并将其转换为中性的、正向的查询。示例：

原始查询：难道就没有更快的方法了吗？（情绪化、否定）

改写后查询：提高 [某项任务] 执行速度的优化方法或高效技巧

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def rewrite_rhetorical_query(self, current_query, conversation_history):        """反问型Query改写"""        instruction = """你是一个沟通理解大师。请分析用户的反问或带有情绪的陈述，识别其背后真实的意图和问题。然后，将这个反问改写成一个中立、客观、可以直接用于知识库检索的问题。"""        prompt = f"""### 指令 ###{instruction}### 对话历史 ###{conversation_history}### 当前问题 ###{current_query}### 改写后的问题 ###"""        return get_completion(prompt, self.model)def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例5: 反问型Query    print("示例5: 反问型Query")    conversation_history = """用户: "你好，我想预订下周六上海迪士尼乐园的门票。"AI: "正在为您查询... 查询到下周六的门票已经售罄。"用户: "售罄是什么意思？我朋友上周去还能买到当天的票。""""    current_query = "这不会也要提前一个月预订吧？"    print(f"对话历史: {conversation_history}")    print(f"当前查询: {current_query}")    result = rewriter.rewrite_rhetorical_query(current_query, conversation_history)    print(f"改写结果: {result}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例5: 反问型Query对话历史:用户: "你好，我想预订下周六上海迪士尼乐园的门票。"AI: "正在为您查询... 查询到下周六的门票已经售罄。"用户: "售罄是什么意思？我朋友上周去还能买到当天的票。"当前查询: 这不会也要提前一个月预订吧？改写结果: 迪士尼乐园门票是否需要提前一个月预订？</code>

登录后复制

6. 总结

类型	核心特征	改写策略
上下文依赖型	依赖历史对话	补全上下文
对比型	比较两个事物	添加比较词
模糊指代型	使用代词、口语	替换为具体术语
多意图型	一个问题多部分	分解为子查询
反问型	否定、反问语气	转为正向意图

七、Query意图识别

定义：它指的是系统需要先理解用户查询的深层目的（是问定义、查步骤、要对比，还是故障排查）。挑战：不同的意图需要不同的改写策略和检索优化（如添加过滤器）。改写策略：首先对查询进行意图分类，然后根据分类结果应用特定的改写模板或策略。示例1：

原始查询：Python list comprehension

意图识别：询问定义

改写策略：添加“是什么”、“介绍”、“概念”等词。

改写后查询：Python list comprehension 的概念是什么？

示例2：

原始查询：如何用 Python list comprehension 过滤数据？

意图识别：询问操作方法

改写策略：添加“步骤”、“方法”、“示例”等词。

改写后查询：使用 Python list comprehension 过滤数据的步骤与示例

下图描绘了结合 qwen-turbo-latest 模型的Query改写智能决策流程：

流程解读：

1. 入口：流程始于接收用户的原始Query。

2. 核心决策点（意图识别）：首先使用 qwen-turbo-latest 等模型对Query进行意图分类。这是整个流程的“大脑”，决定了后续的改写策略。常见的意图类别包括：定义、操作、对比、故障排除等。

3. 策略分支：根据识别出的意图，进入不同的专用处理通道：

上下文依赖型：会查询对话历史，将缺失的上下文补全到当前Query中。对比型：会显式地在Query中添加比较词汇。模糊指代型：会调用一个术语表或另一个LLM调用，将模糊指代具体化。多意图型：会被分解成多个独立的子Query，这是最关键的一步。反问型：会进行“否定转肯定”的语义转换。标准型：对于没有特殊意图的查询，进行基础的扩展和规范化。

4. 生成与检索：所有分支最终汇合，生成最终的一个或多个优化后的Query，送入检索器。

如果是多Query（如多意图型分解后），则会并行执行检索，并将结果合并、去重、重排，得到最全面的上下文。如果是单一Query，则直接执行检索。

5. 出口：将检索到的优质上下文文档与原始Query一起，送给LLM（如 qwen-turbo-latest ）生成最终准确、可靠的回答。

这个流程图展示了一个成熟RAG系统处理Query的完整逻辑链，其中意图识别是触发不同改写策略的开关，而 specialized 的改写策略是精准命中知识库内容的关键。

代码演示：

<code class="javascript"># Query改写使用示例# 导入依赖库import dashscopeimport osimport json# 从环境变量中获取 API Keydashscope.api_key = os.getenv('DASHSCOPE_API_KEY')# 基于 prompt 生成文本def get_completion(prompt, model="qwen-turbo-latest"):    messages = [{"role": "user", "content": prompt}]    response = dashscope.Generation.call(        model=model,        messages=messages,        result_format='message',        temperature=0,    )    return response.output.choices[0].message.content# Query改写功能class QueryRewriter:    def __init__(self, model="qwen-turbo-latest"):        self.model = model    def auto_rewrite_query(self, query, conversation_history="", context_info=""):        """自动识别Query类型并进行改写"""        instruction = """你是一个智能的查询分析专家。请分析用户的查询，识别其属于以下哪种类型：1. 上下文依赖型 - 包含"还有"、"其他"等需要上下文理解的词汇2. 对比型 - 包含"哪个"、"比较"、"更"、"哪个更好"、"哪个更"等比较词汇3. 模糊指代型 - 包含"它"、"他们"、"都"、"这个"等指代词4. 多意图型 - 包含多个独立问题，用"、"或"？"分隔5. 反问型 - 包含"不会"、"难道"等反问语气说明：如果同时存在多意图型、模糊指代型，优先级为多意图型>模糊指代型请返回JSON格式的结果：{    "query_type": "查询类型",    "rewritten_query": "改写后的查询",    "confidence": "置信度(0-1)"}"""        prompt = f"""### 指令 ###{instruction}### 对话历史 ###{conversation_history}### 上下文信息 ###{context_info}### 原始查询 ###{query}### 分析结果 ###"""        response = get_completion(prompt, self.model)        try:            return json.loads(response)        except:            return {                "query_type": "未知类型",                "rewritten_query": query,                "confidence": 0.5            }def main():    # 初始化Query改写器    rewriter = QueryRewriter()        print("=== Query改写功能使用示例（迪士尼主题乐园） ===")    # 示例6: 自动识别Query类型    print("示例6: 自动识别Query类型")    test_queries = [        "还有其他游乐项目吗？",        "哪个园区更好玩？",        "都适合小朋友吗？",        "有什么餐厅？价格怎么样？",        "这不会也要排队两小时吧？"    ]    for i, query in enumerate(test_queries, 1):        print(f"测试查询 {i}: {query}")        result = rewriter.auto_rewrite_query(query)        print(f"  识别类型: {result['query_type']}")        print(f"  改写结果: {result['rewritten_query']}")        print(f"  置信度: {result['confidence']}")if __name__ == "__main__":    main() </code>

登录后复制

输出结果：

<code class="javascript">=== Query改写功能使用示例（迪士尼主题乐园） ===示例6: 自动识别Query类型测试查询 1: 还有其他游乐项目吗？  识别类型: 上下文依赖型  改写结果: 除了已知的游乐项目外，还有哪些其他游乐项目？  置信度: 0.95测试查询 2: 哪个园区更好玩？  识别类型: 对比型  改写结果: 请比较各个园区的娱乐性，指出哪个更好玩。  置信度: 0.95测试查询 3: 都适合小朋友吗？  识别类型: 模糊指代型  改写结果: 哪些产品或活动适合小朋友？  置信度: 0.95测试查询 4: 有什么餐厅？价格怎么样？  识别类型: 多意图型  改写结果: 有哪些餐厅？这些餐厅的价格怎么样？  置信度: 0.95测试查询 5: 这不会也要排队两小时吧？  识别类型: 反问型  改写结果: 这需要排队两小时吗？  置信度: 0.95</code>

登录后复制