OpenAI与Azure AI Search集成中Intent功能机制及实现问询

一、Intent功能核心逻辑 #

在RAG场景中，Intent字段的作用是将上下文依赖的模糊用户查询（如指代性提问）重构为语义完整、适合搜索的独立查询语句，同时生成多个表述变体，提升Azure AI Search的召回精准度和覆盖率。比如示例中的"How old was he at that time?"会被转化为包含具体实体的多个明确问句，避免搜索因缺少上下文而无法匹配。

二、复刻的核心思路：自定义查询重构Prompt #

OpenAI官方未公开该功能的内部Prompt，但可以通过还原其核心逻辑设计自定义Prompt，实现相同效果：

• 核心目标：基于完整对话历史，替换所有指代（如"他"→"尼尔·阿姆斯特朗"），生成3-5个语义等价但表述不同的独立查询
• 约束要求：问句需自然通顺，符合搜索习惯，无模糊指代，覆盖不同的提问角度
• 输出格式：返回JSON数组，仅包含重构后的查询语句

参考Prompt示例 #

基于以下对话历史，将用户最后一条查询重构为3-5个语义明确、适合搜索的完整问句，要求替换所有指代（比如"他"换成具体人名），每个问句表述方式略有不同，只返回JSON格式的数组，不要其他解释：

对话历史：
{chat_history}

重构后的查询数组：

三、无状态LangChain Agent中的实现步骤 #

无状态场景下需每次传入完整对话历史，具体实现分为3步：

1. 定义查询重构Chain #

用LangChain的PromptTemplate+LLMChain实现查询重构逻辑：

from langchain.prompts import PromptTemplate
from langchain.chat_models import ChatOpenAI
from langchain.chains import LLMChain

# 初始化LLM（可替换为Azure OpenAI）
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo")

# 定义查询重构Prompt
refine_prompt = PromptTemplate(
    input_variables=["chat_history", "user_query"],
    template="""基于以下对话历史，将用户最后一条查询{user_query}重构为3-5个语义明确、适合搜索的完整问句，要求替换所有指代（比如"他"换成具体人名），每个问句表述方式略有不同，只返回JSON格式的数组，不要其他解释：

对话历史：
{chat_history}

重构后的查询数组："""
)

# 创建重构Chain
refine_chain = LLMChain(llm=llm, prompt=refine_prompt)

2. 处理无状态对话历史 #

无状态Agent需将每次请求的完整对话序列（user/assistant消息）格式化为字符串传入Chain：

# 示例对话历史（无状态场景下需从请求中获取完整上下文）
chat_history = """用户：谁是第一个登上月球的人？
助手：第一个登上月球的人是尼尔·阿姆斯特朗。
用户：他当时多大年纪？"""
user_current_query = "他当时多大年纪？"

# 生成重构后的查询数组
refined_queries = refine_chain.run(chat_history=chat_history, user_query=user_current_query)

3. 集成到Agent的搜索流程 #

将重构后的查询数组传入LangChain的Azure AI Search工具，可通过多查询合并结果提升召回率：

from langchain.tools import AzureCognitiveSearchTool
import json

# 初始化搜索工具
search_tool = AzureCognitiveSearchTool(
    azure_cognitive_search_endpoint="YOUR_SEARCH_ENDPOINT",
    azure_cognitive_search_key="YOUR_SEARCH_KEY",
    azure_cognitive_search_index_name="YOUR_INDEX_NAME"
)

# 解析重构后的查询数组（生产环境建议用json.loads替代eval）
try:
    query_list = json.loads(refined_queries)
except json.JSONDecodeError:
    query_list = []

# 用多个重构查询执行搜索并合并结果
search_results = []
for query in query_list:
    results = search_tool.run(query)
    search_results.extend(results)

# 去重处理后传入Agent生成最终回答
unique_results = list({item["id"]: item for item in search_results}.values())

四、相关说明 #

• 标准聊天补全中无需依赖Azure集成的特殊字段，直接通过自定义Prompt调用普通Chat Completions接口即可实现查询重构
• OpenAI官方未公开该Intent功能的具体内部Prompt，上述方案是基于功能逻辑的通用复刻实现

内容的提问来源于stack exchange，提问作者R_Student