Nan Duan

Viele reale Anfragen sind schlechte Anfragen — vage, ohne Kontext, so formuliert, dass der Retriever sie nicht mit Dokumenten abgleichen kann, die sie tatsächlich beantworten würden. Duans Linie zu „Query Rewriting in RAG“ (2023, Seniorautor) trainiert ein LLM darauf, die Eingabeanfrage in eine Form umzuschreiben, mit der der Retriever arbeiten kann, und dies adaptiv auf Basis dessen zu tun, was das System bereits im Kontext hat. Die methodische Konsequenz für ai100 ist direkt: Wenn man die Markensichtbarkeit eines Modells misst, entscheidet der vorgelagerte Rewrite-Schritt still darüber, welche Marken der Retriever überhaupt als Kandidaten sieht — und dieser Schritt wird selten auditiert.

Lesenswert, wenn

man wissen will, was zwischen „Nutzer tippt eine Anfrage“ und „Retriever sucht nach Dokumenten“ passiert — jener Schicht, in der viele Entscheidungen über Markenerwähnungen bereits getroffen werden.

Themen

LLM-basiertes Query Rewriting für RAG; Umformulierung von Dialoganfragen; die stille Schicht zwischen Nutzereingabe und Retrieval.

Zentrale Arbeiten

„Query Rewriting in Retrieval-Augmented Large Language Models“ (2023, Seniorautor); grundlegende QA- und multimodale NLP-Arbeiten durch die 2010er-Jahre; laufende Foundation-Model-Arbeit in der industriellen Forschung.