A Survey of Query Optimization in Large Language Models

Este artigo apresenta uma revisão abrangente sobre otimização de consultas em Grandes Modelos de Linguagem, introduzindo o Framework do Ciclo de Vida de Otimização de Consultas (QOL), uma taxonomia de complexidade de consultas e uma análise detalhada de quatro operações atômicas fundamentais para melhorar o desempenho em sistemas de Geração Aumentada por Recuperação (RAG).

O essencial

Imagine que você tem um bibliotecário superinteligente (o Modelo de Linguagem ou LLM) que sabe quase tudo, mas que, às vezes, inventa coisas que não existem (alucina) ou não encontra o livro certo na estante porque você pediu de um jeito confuso.

Este artigo é um guia de sobrevivência para quem usa esse bibliotecário. Ele explica como transformar uma pergunta "morna" ou confusa em uma pergunta "perfeita" para que o sistema encontre a resposta certa.

Vamos usar uma analogia de pedir uma pizza para entender tudo isso.

---

O Problema: A "Falta de Sintonia"

Você chega na pizzaria e diz: "Quero aquela coisa redonda com queijo."
O garçom (o sistema de busca) fica confuso. É uma pizza? Um disco de vinil? Um frisbee? Ele pode trazer um disco de vinil com queijo derretido (uma resposta errada, mas que faz sentido para ele).

O artigo diz: A qualidade da resposta depende da qualidade da pergunta. Se você não souber pedir direito, o melhor chef do mundo não consegue fazer a pizza que você quer.

A Solução: O "Ciclo de Vida" da Pergunta (QOL)

Os autores criaram um mapa de 5 passos para consertar sua pergunta antes de entregá-la ao sistema:

1. Entender a Intenção: O que você realmente quer? (É uma pizza de calabresa ou uma pizza doce?)
2. Transformar a Pergunta: Ajustar as palavras para o sistema entender.
3. Buscar: Ir até a estante (ou internet) pegar os livros.
4. Juntar as Peças: Ler o que achou e organizar.
5. Responder: Entregar a pizza final.

O foco do artigo é no Passo 2: como transformar a pergunta. Eles identificam 4 ferramentas mágicas para isso.

---

As 4 Ferramentas Mágicas (e quando usar cada uma)

Para saber qual ferramenta usar, o artigo classifica as perguntas em 4 tipos, baseados em quão difícil é a resposta e quantos livros você precisa ler.

1. Expansão (Para perguntas simples, mas com palavras erradas)

• O Cenário: Você quer saber "Quem fundou a Tesla?", mas os livros na estante usam termos técnicos como "história corporativa da Tesla" ou "Elon Musk e o início".
• A Ferramenta: A Expansão é como um tradutor de gírias. Ela pega sua pergunta curta e adiciona sinônimos e detalhes.
  • Sua pergunta: "Fundador Tesla?"
  • Pergunta Expandida: "Quem foi o fundador da empresa Tesla e qual a história do início da marca?"
• Analogia: É como dizer ao garçom: "Quero aquela coisa redonda com queijo, tipo uma pizza italiana, com molho de tomate".

2. Decomposição (Para perguntas complexas que exigem várias etapas)

• O Cenário: Você pergunta: "Qual país tem mais crescimento econômico: o inventor da Internet ou o maior produtor de terras raras?"
• O Problema: O sistema não sabe quem é o "inventor da Internet" nem quem é o "produtor de terras raras" de uma só vez.
• A Ferramenta: A Decomposição é como quebrar um quebra-cabeça grande em pedacinhos. O sistema para de tentar responder tudo de uma vez e faz três perguntas menores:
  1. Quem inventou a Internet? (Resposta: Reino Unido/Suíça)
  2. Quem produz mais terras raras? (Resposta: China)
  3. Compare o crescimento econômico desses dois.
• Analogia: Em vez de pedir "Faça a pizza e a sobremesa e a bebida", você pede: "Primeiro traga a pizza. Depois traga a sobremesa. Depois a bebida".

3. Desambiguação (Para perguntas confusas com vários significados)

• O Cenário: Você pergunta: "A Apple é um bom investimento?"
• O Problema: Você quer saber sobre a empresa de tecnologia (iPhone) ou sobre a fruta (maçã) para fazer uma salada? O sistema pode ficar confuso.
• A Ferramenta: A Desambiguação é como um detetive que faz perguntas de esclarecimento. Antes de buscar, o sistema tenta entender o contexto.
  • O sistema pensa: "Será que ele quer saber sobre a empresa Apple Inc. ou sobre o mercado agrícola de maçãs?"
  • Ação: Ele pode gerar várias respostas possíveis ou pedir para você esclarecer.
• Analogia: O garçom pergunta: "Você quer a maçã da fruta ou a maçã do computador?"

4. Abstração (Para perguntas de raciocínio profundo e filosófico)

• O Cenário: Você pergunta: "Como os carros autônomos vão mudar as cidades em 20 anos?"
• O Problema: Não existe um livro com essa resposta exata. É uma previsão complexa.
• A Ferramenta: A Abstração é como subir em um helicóptero para ver o panorama geral. Em vez de procurar a resposta específica, o sistema procura os princípios gerais.
  • Pergunta Abstrata: "Como revoluções de transporte (como o trem ou o carro a gasolina) mudaram o planejamento urbano no passado?"
  • Resultado: O sistema usa essas regras gerais para construir uma resposta lógica sobre carros autônomos.
• Analogia: Em vez de pedir "Como vou chegar no trabalho amanhã?", você pergunta "Como o trânsito costuma funcionar em dias de chuva?". Você usa o princípio geral para resolver o problema específico.

---

O Grande Segredo: Não existe "Tamanho Único"

O artigo ensina que não existe uma ferramenta mágica que sirva para tudo.

• Se a pergunta é simples, use Expansão.
• Se é complexa e lógica, use Decomposição.
• Se é confusa, use Desambiguação.
• Se é filosófica/analítica, use Abstração.

Os sistemas mais modernos (chamados de "Agentes") são como chefes de cozinha experientes: eles olham para o pedido, decidem qual ferramenta usar, e às vezes usam várias ao mesmo tempo. Eles não apenas buscam informações; eles pensam sobre como buscar.

Conclusão Simples

Este artigo é um manual para transformar a comunicação entre humanos e máquinas. Ele diz: Não culpe a máquina se a resposta for ruim; talvez a pergunta tenha sido mal formulada. Ao usar essas técnicas de "otimização de consulta", tornamos a inteligência artificial muito mais útil, precisa e menos propensa a inventar histórias.

É como aprender a dar instruções claras para um GPS: se você disser "vá para o norte", ele pode ir para o norte do país. Se você disser "vá para a Rua das Flores, número 10, no centro", ele chega exatamente onde você quer. O artigo ensina a dar as instruções perfeitas.

Resumo técnico

Resumo Técnico: Uma Pesquisa sobre Otimização de Consultas em Modelos de Linguagem Grandes (LLMs)

Autores: Mingyang Song & Mao Zheng (Tencent, China)
Contexto: Artigo de pré-publicação (Preprint) analisando o estado da arte até o início de 2026.

1. Problema e Motivação

O artigo aborda um gargalo crítico na interação entre humanos e Modelos de Linguagem Grandes (LLMs), especialmente em sistemas de Geração Aumentada por Recuperação (RAG).

• A Lacuna Semântica: Existe uma desconexão fundamental entre como os usuários expressam naturalmente suas necessidades de informação (consultas ambíguas, incompletas ou com vocabulário diferente) e como os sistemas de recuperação localizam o conhecimento relevante.
• Limitações do RAG: Embora o RAG reduza alucinações, sua eficácia depende diretamente da qualidade da consulta enviada ao mecanismo de recuperação. Consultas mal formuladas resultam em documentos irrelevantes, levando a respostas imprecisas.
• A Lacuna de Composicionalidade: LLMs frequentemente conseguem responder a sub-consultas simples, mas falham ao compor essas respostas para questões complexas, indicando que a decomposição de consultas não é apenas útil, mas essencial.

2. Metodologia e Estrutura Teórica

Os autores realizaram uma revisão sistemática de literatura de conferências principais (ACL, EMNLP, NeurIPS, SIGIR, etc.) de 2020 a 2026. Para organizar o campo fragmentado, eles propõem duas estruturas teóricas principais:

A. O Ciclo de Vida da Otimização de Consultas (QOL - Query Optimization Lifecycle)

Um framework de cinco fases que unifica o processo de otimização:

1. Reconhecimento de Intenção: Entender a necessidade do usuário (explícita ou implícita).
2. Transformação de Consulta: Aplicar operações atômicas para reformular a consulta.
3. Execução de Recuperação: Buscar documentos usando a(s) consulta(s) otimizada(s).
4. Integração de Evidências: Agregar, filtrar e sintetizar os documentos recuperados.
5. Síntese de Resposta: Gerar a resposta final baseada nas evidências integradas.

B. Taxonomia de Complexidade de Consultas

Uma classificação bidimensional baseada no tipo e na quantidade de evidência necessária para responder à consulta:

• Dimensão 1 (Tipo de Evidência): Explícita (diretamente no texto) vs. Implícita (requer inferência).
• Dimensão 2 (Quantidade de Evidência): Única vs. Múltipla.

Isso gera quatro classes de complexidade, cada uma com uma estratégia de otimização primária recomendada:

• Classe I (Única Explícita): Consultas factuais simples. Estratégia: Expansão.
• Classe II (Múltipla Explícita): Consultas que requerem agregação de várias fontes. Estratégia: Decomposição.
• Classe III (Única Implícita): Consultas que requerem inferência de uma fonte, mas com intenção ambígua. Estratégia: Desambiguação.
• Classe IV (Múltipla Implícita): Consultas complexas de raciocínio multi-hop. Estratégia: Abstração.

3. Contribuições Principais e Operações Atômicas

O artigo detalha quatro operações atômicas fundamentais para a otimização de consultas, analisando métodos representativos para cada uma:

1. Expansão de Consulta (Query Expansion)

• Objetivo: Enricher a consulta com termos adicionais, contexto ou conteúdo gerado para resolver a incompatibilidade de vocabulário.
• Métodos Chave:
  • Interno: Geração de documentos hipotéticos (HyDE), geração de documentos pseudo (Query2Doc, GenRead), e iteração ativa (FLARE, Self-RAG).
  • Externo: Uso de bases de conhecimento e feedback de recuperação (DRAGIN, BlendFilter).
• Princípio Chave: O "Princípio da Assinatura Semântica" – mesmo documentos gerados com fatos incorretos podem melhorar a recuperação se capturarem o padrão semântico correto dos documentos alvo.

2. Decomposição de Consulta (Query Decomposition)

• Objetivo: Quebrar consultas complexas em sub-consultas atômicas e independentes ou dependentes.
• Abordagens:
  • Sequencial: Cadeias de raciocínio onde uma resposta alimenta a próxima (DSP, ReAct, IRCoT). Risco de propagação de erros.
  • Paralela: Sub-consultas independentes processadas simultaneamente (Plan-and-Solve).
  • Híbrida: Grafos acíclicos direcionados (DAGs) que misturam dependências e paralelismo (Plan×RAG).
• Tendência: Evolução para agentes autônomos que decidem dinamicamente quando e como decompor (Agentic-RAG, Search-o1).

3. Desambiguação de Consulta (Query Disambiguation)

• Objetivo: Clarificar intenções ambíguas ou contextos subespecificados.
• Métodos:
  • Baseada em Clarificação: Construção de árvores de interpretações (Tree of Clarifications - ToC) ou reescrita de consultas (EchoPrompt).
  • Baseada em Feedback: Uso de sinais de recuperação ou qualidade de resposta para refinar a consulta (AdaQR, CRAG).
• Insight: A ambiguidade pode ser um recurso, não um erro. Em alguns casos, explorar múltiplas interpretações é melhor do que forçar uma única clarificação.

4. Abstração de Consulta (Query Abstraction)

• Objetivo: Elevar a consulta para conceitos de alto nível ou princípios gerais antes de descer para os detalhes específicos.
• Métodos:
  • Conceitual: "Step-Back" prompting (retrair para princípios gerais).
  • Baseada em Padrões: Uso de grafos de conhecimento (GraphRAG, LightRAG) ou esqueletos de raciocínio abstratos (AoT).
• Vantagem: Reduz erros em cadeias de raciocínio longas ao fornecer um andaime conceitual robusto.

4. Resultados e Análise Comparativa

• Evolução do Campo: O campo passou de uma era de "Fundação" (RAG estático) para "Expansão", "Sofisticação" (raciocínio explícito) e atualmente para a "Era Agente" (otimização autônoma com supervisão de processo).
• Trade-offs:
  • Expansão: Aumenta o recall, mas pode reduzir a precisão. Baixa latência.
  • Decomposição: Alta latência devido a múltiplas recuperações e risco de cascata de erros, mas essencial para raciocínio complexo.
  • Desambiguação: Melhora a precisão, mas requer detecção precisa da ambiguidade.
  • Abstração: Permite raciocínio principista, mas pode simplificar demais consultas nuanceadas.
• Desempenho: Métodos que combinam operações (ex: expansão + decomposição) ou utilizam arquiteturas agênticas adaptativas tendem a superar abordagens de operação única em benchmarks complexos.

5. Significado e Direções Futuras

O artigo destaca que a otimização de consultas não é apenas um passo de pré-processamento, mas um mecanismo crítico de amplificação de inteligência.

Desafios Identificados:

• Falta de Benchmarks Padronizados: A maioria dos benchmarks avalia apenas a resposta final, sem anotações para as transformações intermediárias de consulta.
• Trade-off Eficiência-Qualidade: Métodos sofisticados (como decomposição sequencial) têm custos computacionais altos.
• Dependência do Recuperador: A eficácia varia drasticamente dependendo se o sistema usa recuperação esparsa ou densa.
• Consultas Multimodais: A necessidade de otimizar consultas que envolvem texto, tabelas, imagens e dados estruturados.

Direções Futuras:

• Modelos de Recompensa de Processo (PRMs): Focar na avaliação de cada etapa da otimização, não apenas no resultado final.
• Arquiteturas Agênticas: Sistemas onde o modelo decide autonomamente qual estratégia (expansão, decomposição, etc.) aplicar com base na complexidade da consulta.
• Personalização: Adaptação da otimização baseada no histórico e perfil do usuário.

Conclusão

A pesquisa conclui que não existe uma técnica única dominante. A seleção da estratégia deve ser consciente da complexidade da consulta. O futuro da área aponta para sistemas adaptativos, baseados em feedback e orientados a agentes, que tratam a otimização de consultas como um processo contínuo e integrado, em vez de uma etapa estática, para fechar a lacuna semântica entre a intenção do usuário e a recuperação de conhecimento.