Wprowadzenie
Query (zapytanie) w kontekście sztucznej inteligencji to tekst lub strukturalne polecenie wysyłane do modelu AI, bazy wektorowej, silnika wyszukiwania lub agenta. Jest to podstawowy sposób komunikacji człowieka (lub systemu) z modelem językowym.
Typy Query w AI
- User Query – bezpośrednie pytanie lub polecenie użytkownika (np. „Wyjaśnij jak działa RAG”)
- Retrieval Query – zapytanie używane w systemach RAG do wyszukiwania podobnych fragmentów w bazie wektorowej
- Embedding Query – query przekształcone na embedding (wektor) w celu semantycznego wyszukiwania
- SQL / Structured Query – zapytania do baz danych generowane przez LLM
- Agent Query – zapytanie kierowane do agenta AI, który może wykonać akcje
Query w RAG (Retrieval Augmented Generation)
W architekturze RAG query użytkownika jest najpierw embedowane, a następnie używane do wyszukania najbardziej relewantnych fragmentów wiedzy (top-k similarity search). Te fragmenty trafiają do kontekstu modelu, co znacząco poprawia jakość i aktualność odpowiedzi.
Techniki optymalizacji Query
- Query Rewriting / Expansion – model poprawia lub rozbudowuje zapytanie (np. „HyDE”, „Query2Doc”)
- Multi-Query Retrieval – generowanie kilku wersji query
- Step-Back Prompting – zadawanie szerszego pytania przed konkretnym
- Routing – kierowanie query do odpowiedniego narzędzia lub bazy wiedzy
Znaczenie dobrego Query
Jakość odpowiedzi LLM w ogromnym stopniu zależy od jakości query. Nawet najlepszy model da słabe wyniki przy nieprecyzyjnym zapytaniu. Dlatego Prompt Engineering w dużej mierze polega na doskonaleniu query.
Przykłady
- Słabe query: „Opowiedz o historii”
- Dobre query: „Opowiedz o kluczowych wydarzeniach II Wojny Światowej w latach 1939–1941 z perspektywy strategicznej, uwzględniając decyzje Hitlera i Churchilla”
Aktualny status (2026)
Query stało się centralnym elementem nowoczesnych aplikacji AI. W erze agentów i zaawansowanego RAG zapytania ewoluowały od prostych promptów do złożonych, wieloetapowych instrukcji. Najnowsze trendy to Query Optimization Agents, automatyczne rewriting, semantic caching oraz integracja query z narzędziami (tool calling / function calling). Umiejętność precyzyjnego formułowania query pozostaje jedną z najbardziej wartościowych umiejętności w pracy z AI.