hyde
HyDE 是一款专为零样本密集检索设计的开源工具，旨在无需任何人工标注的相关性数据即可实现高精度的文档搜索。在传统检索系统中，模型往往依赖大量标注数据来理解查询与文档的关联，而 HyDE 巧妙解决了这一痛点：它利用大语言模型（如 GPT-3）根据用户查询生成一篇“虚构”但内容相关的假想文档，随后使用无监督检索器 Contriever 将该假想文档转化为向量，在嵌入空间中寻找真实匹配项。
这种方法不仅显著提升了跨任务和跨语言的检索效果，还完全摆脱了对昂贵标注数据的依赖。HyDE 的核心亮点在于其独特的“假设文档生成”机制，通过让 AI 先“想象”答案再去找答案，极大地增强了语义匹配的准确性。
该工具非常适合自然语言处理领域的研究人员、搜索引擎开发者以及需要构建高效检索系统的工程师使用。如果你正在探索少样本或零样本场景下的信息检索方案，或者希望在不投入大量标注成本的前提下优化现有搜索系统，HyDE 提供了一个极具参考价值的技术路径。项目代码结构清晰，配套了详细的实验脚本和演示笔记，便于快速复现论文结果或集成到实际应用中。
使用场景
某初创法律科技团队正在构建一个面向公众的智能法律咨询系统，需要让用户用口语化描述快速匹配到精准的法律条文和判例，但团队缺乏资金标注海量训练数据。
没有 hyde 时
- 传统检索模型难以理解用户模糊的口语提问（如“老板欠薪跑路怎么办”），导致召回结果相关性极低。
- 为了提升精度，团队必须雇佣法律专家人工标注成千上万条“问题 - 文档”配对，成本高昂且耗时数月。
- 面对新出现的法律领域或突发社会事件引发的新型咨询，模型因缺乏特定领域的标注数据而完全失效（冷启动困难）。
- 依赖关键词匹配的旧方案经常漏掉语义相关但措辞不同的关键判例，用户体验糟糕。
使用 hyde 后
- hyde 利用大语言模型将用户的口语提问即时改写为专业的“虚构法律文书”，使查询向量与法律数据库的文档分布高度对齐。
- 无需任何人工标注的相关性判断，hyde 直接在零样本（Zero-Shot）设定下显著提升了检索准确率，节省了全部标注预算。
- 面对全新的法律场景，只需调整提示词即可让 hyde 生成对应风格的虚构文档，瞬间实现跨领域的高精度检索。
- 系统能够捕捉深层语义关联，即使用户未提及具体法条编号，也能精准召回内容实质匹配的判例和法规。
hyde 通过“以文搜文”的创新机制，让资源有限的团队在无标注数据的情况下，也能构建出媲美专家级标注效果的高精度法律检索系统。
运行环境要求
- 未说明
未说明
未说明
快速开始
HyDE：无需相关性标签的精准零样本密集检索
这是论文《HyDE：无需相关性标签的精准零样本密集检索》（arXiv:2212.10496）的代码仓库。
HyDE 是一种零样本方法，它指示 GPT-3 生成一篇虚构文档，并使用无监督检索器 Contriever 对其重新编码，从而在其嵌入空间中进行搜索。 HyDE 在多个任务和多种语言上均显著优于 Contriever，且无需任何人工标注的相关性判断。
运行代码的步骤
按照 指南 安装
pyserini。我们使用 pyserini 来执行密集检索和评估。下载预构建的 Contriever Faiss 索引
wget https://www.dropbox.com/s/dytqaqngaupp884/contriever_msmarco_index.tar.gz
tar -xvf contriever_msmarco_index.tar.gz
- 设置 GPT-3 API 密钥
export OPENAI = <your key>
- 运行
hyde-dl19.ipynb，它将在 TREC DL19 数据集上运行实验。运行hyde-demo.ipynb，它将通过一个示例查询演示 HyDE 的完整流程。
引用
@article{hyde,
title = {Precise Zero-Shot Dense Retrieval without Relevance Labels},
author = {Luyu Gao and Xueguang Ma and Jimmy Lin and Jamie Callan},
journal={arXiv preprint arXiv:2212.10496},
year = {2022}
}
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。