Begriff
Query Expansion
Query Expansion erweitert die ursprüngliche Suchanfrage in einer RAG-Pipeline um Synonyme, Reformulierungen oder hypothetische Antwort-Texte, um die Trefferquote des Retrievals zu erhöhen.
Query Expansion — ausführlicher erklärt
Nutzer-Anfragen sind typischerweise kurz, umgangssprachlich und mehrdeutig — die zu durchsuchenden Dokumente dagegen lang, fachsprachlich und strukturiert. Diese Vokabular-Lücke ist der Hauptgrund, warum reines Vektor-Retrieval relevante Treffer übersieht. Query Expansion schließt sie, indem ein LLM aus der Originalfrage zusätzliche Such-Varianten generiert (Synonyme, Reformulierungen, alternative Perspektiven). Anschließend wird gegen jede Variante einzeln gesucht und die Ergebnisse werden zusammengeführt, dedupliziert und mit einem Reranker auf die finale Top-k-Liste reduziert.
Beispiel / Praxisbezug
Eine Frage wie „Warum ist mein Build langsam?” liefert über reine Vektorsuche oft nur Treffer mit identischer Wortwahl. Mit Multi-Query-Expansion erzeugt das LLM Varianten wie „Build-Performance optimieren”, „Compile-Zeiten reduzieren” und „CI-Pipeline beschleunigen” — und findet so auch Dokumente, die das Problem mit anderem Vokabular beschreiben. Der Preis: drei- bis fünffache Latenz und LLM-Kosten pro Anfrage, plus mehr Rauschen, das nachgelagert mit einem Reranker gefiltert werden muss.
Abgrenzung zu ähnlichen Begriffen
HyDE (Hypothetical Document Embeddings) ist eine Spezialform: statt mehrerer Such-Varianten erzeugt das LLM ein hypothetisches Antwort-Dokument und sucht mit dessen Embedding — wirksam bei kurzen, präzisen Fragen. Multi-Query Retrieval ist der Sammelbegriff für alle Verfahren, die mehrere reformulierte Anfragen parallel ausführen. Reranking arbeitet erst nach dem Retrieval und sortiert die Treffer um, ohne neue Suchen anzustoßen.
Entdecke mehr
KI-Workflows per Keyword: Wie wir wiederkehrende Abläufe erzwingbar machen
Ein getipptes Keyword löst bei uns einen festen KI-Ablauf aus — und jeder Schritt muss committet werden, bevor der nächste kommt. Warum das der Trick ist.
GlossarS-RAG
S-RAG (Search-optimized RAG) ist boostN.ais Variante von Retrieval-Augmented Generation, die klassisches RAG um Suchmaschinen-Prinzipien erweitert: Relevanz-Ranking, Decay nach Aktualität und getypte Verlinkung zwischen Chunks für deterministisches Nachladen.
LexikonRAG-Tuning und Balancing — Embeddings, Gewichte, Decay und MCP für Fortgeschrittene
Wie man Retrieval gezielt steuert: Embedding-Wahl, Hybrid-Gewichte, Reranker-Cascade, Time-Decay, Authority-Boost, MMR und MCP als Retrieval-Tool.