（1301期）query-rewrite – RAG检索命中率提升60%

RAG检索命中率提升60% 专为RAG系统设计的查询改写技能，通过6种智能改写模式解决指代消解、多意图拆解等难题，实测召回率提升60%，配合raglite使用效果更佳。 使用说明 核心用法 query-rewrite 是一款面向 RAG（检索增强生成）系统的查询前置改写层 Skill，专注于解决多轮对话场景中的 Query 质量问题。其核心工作流程为：首先通过「改写检查清单」在 0.5 秒内快速判断当前 Query 是否需要改写；若需要，则自动识别并执行 6 种改写模式之一（上下文提取、对比消歧、指代消解、多意图拆解、反问识别、条件提取）；最后采用「原文 + 改写结果双路检索」策略，合并去重后返回给用户。 该 Skill 提供清晰的优先级规则（5→3→4→1→2→6）处理多模式叠加场景，并严格遵循「零改写原则」——仅在必要时才触发改写，避免过度处理。用户可通过 openclaw skill install dabin0927/query-rewrite 一键安装，与 memorysearch、wikisearch 或 raglite 等检索工具无缝集成。 显著优点 1. 实测效果显著：官方宣称召回率提升 60%，这一数据对 RAG 系统具有极高的商业价值。 2. 模式覆盖全面：6 种改写模式涵盖了中文对话场景中最常见的 Query 质量问题，从简单的代词指代到复杂的多意图拆解均有对应策略。 3. 工程实践友好：明确的「检查清单」设计让改写决策透明可解释；「零改写原则」和「意图保真」规则有效防止过度改写；失败时自动回退到原 Query，保证系统鲁棒性。 4. 架构设计合理：采用渐进式加载（meta+logic 分离），支持双路检索与结果溯源标注，便于后续调试和优化。 潜在缺点与局限性 1. 依赖上下文质量：模式 1（上下文提取）和模式 3（指代消解）高度依赖前文对话的历史记录，若上文本身存在歧义或缺失，改写效果会大打折扣。 2. 多意图拆解的截断风险：模式 3 中指代「都/全部/全部」时上限为 5 个，超出截断，可能导致信息丢失。 3. 语言局限性：从改写模式和示例来看，该 Skill 明显针对中文场景优化，对英文或其他语种的 Query 改写能力未明确说明。 4. 与特定工具绑定：官方推荐「配合 raglite 使用效果最佳」，暗示与其他 RAG 框架的集成可能需要额外适配工作。 5. 不适合的场景明确：代码生成、文件操作、单次精确查询等场景被明确列为不适合，适用范围有一定边界。 适合的目标群体 RAG 系统开发者：正在构建或优化基于检索增强的问答系统、知识库问答、企业智能客服的技术团队。 多轮对话应用开发者：需要处理上下文依赖、指代消解的对话式 AI 应用开发者。 已有 raglite 用户：官方推荐配合 raglite 使用，现有 raglite 用户可获得最佳体验。 使用风险 1. 性能开销：双路检索（原文 + 改写结果）意味着检索调用次数翻倍，在高并发场景下需注意向量数据库的负载压力。 2. 依赖项版本：作为 openclaw 平台的 Skill，需确保 openclaw 环境及相关检索工具版本兼容。 3. 改写质量波动：虽然规则明确，但自动改写仍存在误判可能，建议在生产环境部署前进行充分的领域适配测试。 4. 安全认证缺失：当前安全报告仅为系统占位，未执行真实安全扫描，企业级部署时建议补充安全审计。 原始说明 📥 openclaw skill install dabin0927/query-rewrite —— RAG 检索命中率低？不是模型不行，是用户不会提问。 在检索前加一层 Query 改写——检测、改写、原文+改写结果都搜一遍。 6 种模式：指代消解、多意图拆解、上下文补齐、反问识别…… 实测召回率提升 60%，配合 raglite 使用效果最佳。 适合：RAG 检索前、memory_search/wiki_search 调用前。 不适合：代码生成、文件操作、单次精确查询。 (EN) RAG pre-processing query rewrite layer — 6 rewrite modes.