[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-query-expansion::ru":3,"gloss-cluster-query-expansion::ru":26,"gloss-next-query-expansion::ru":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"query-expansion","core-ai","Расширение запроса","Расширение запроса — это приём поиска, при котором исходный запрос пользователя преобразуется в один или несколько обогащённых запросов до обращения к индексу, чтобы документы, выражающие ту же мысль другими словами, всё же находились. Приём существует потому, что запрос, который человек набирает, и фрагмент, который на него отвечает, редко написаны одним словарём: пользователь спрашивает «почему у меня неправильный счёт», а в документации написано «пропорциональный пересчёт при смене тарифа в середине цикла», и одиночный поиск как по лексическому, так и по векторному индексу может вовсе не найти совпадения. Расширение сокращает этот разрыв со стороны запроса, а не со стороны корпуса. Форм несколько, и они сочетаются. Синонимическое и терминологическое расширение добавляет лексические варианты и отраслевую лексику, что в основном помогает ключевому поиску. Мультизапросное расширение просит языковую модель сгенерировать несколько перефразировок вопроса, выполняет поиск по каждой и объединяет результаты — обычно с помощью reciprocal rank fusion, чтобы документ, умеренно высоко оценённый многими вариантами, обошёл документ, высоко оценённый одним выбросом. Декомпозиция разбивает составной вопрос на части и ищет по каждой отдельно; именно она делает многошаговые вопросы отвечаемыми в принципе. Расширение «шаг назад» порождает более общую версию вопроса, чтобы подтянуть фоновый контекст, который конкретная формулировка никогда бы не достала. Расширение через гипотетический документ работает в обратную сторону: генерируется правдоподобный ответ, и эмбеддинг берётся с него, а не с вопроса, исходя из того, что ответы ближе к ответам, чем вопросы. Издержки реальны, и о них стоит сказать прямо. Каждый дополнительный запрос — это ещё один круг обращения к поиску, а там, где переписыванием занимается модель, ещё и вызов инференса до того, как пользователь увидит хоть что-то: расширение покупает полноту ценой задержки и расходов. Оно может и навредить точности: модель-переписчик, неверно понявшая двусмысленный запрос, уверенно вытянет нерелевантный материал, и в отличие от простого промаха этот материал дойдёт до этапа генерации и будет использован. Поэтому расширение обычно сочетают с реранкером, который восстанавливает точность на увеличенном и более шумном множестве кандидатов. Практическое замечание: измеряйте полноту до и после на фиксированном оценочном наборе, а не судите по ощущениям, и кэшируйте сами расширения — пользовательские запросы повторяются, и переписывать один и тот же вопрос моделью на каждом обращении — самая легко устранимая статья расходов в поисковом конвейере.","Расширение запроса переписывает или размножает поисковый запрос перед поиском, чтобы не потерять релевантные документы, сформулированные иначе.",null,[11,14,17,20,23],{"slug":12,"name":13},"hybrid-search","Гибридный поиск (Hybrid Search)",{"slug":15,"name":16},"hypothetical-document-embeddings","Гипотетические эмбеддинги документов (HyDE)",{"slug":18,"name":19},"reranking","Реранкинг (Reranking)",{"slug":21,"name":22},"retrieval","Извлечение (Retrieval)",{"slug":24,"name":25},"semantic-search","Семантический поиск (Semantic Search)",[27,31,35,39,42,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"agentic","Агентный AI (Agentic AI)","2026-08-24T02:46:36+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"alignment-tax","Налог на выравнивание (Alignment Tax)","2026-08-24T02:46:37+00:00",{"slug":36,"category":5,"name":37,"updated_at":38},"artificial-intelligence","Искусственный интеллект (ИИ)","2026-08-24T02:46:38+00:00",{"slug":40,"category":5,"name":41,"updated_at":30},"attention","Внимание (Attention)",{"slug":43,"category":5,"name":44,"updated_at":38},"beam-search","Лучевой поиск",{"slug":46,"category":5,"name":47,"updated_at":34},"benchmark-contamination","Загрязнение бенчмарка (Benchmark Contamination)",{"slug":49,"category":5,"name":50,"updated_at":34},"catastrophic-forgetting","Катастрофическое забывание (Catastrophic Forgetting)",{"slug":52,"category":5,"name":53,"updated_at":38},"computer-vision","Компьютерное зрение",{"slug":55,"category":5,"name":56,"updated_at":34},"constitutional-ai","Конституционный ИИ (Constitutional AI)",{"slug":58,"category":5,"name":59,"updated_at":30},"context-window","Контекстное окно",{"slug":61,"category":5,"name":62,"updated_at":38},"deep-learning","Глубокое обучение",{"slug":64,"category":5,"name":65,"updated_at":30},"diffusion-model","Диффузионная модель (Diffusion Model)"]