我们提出了一种生成增强型检索方法（Generation-Augmented Retrieval, GAR），用于回答开放域问题。该方法通过生成式文本技术，基于启发式发现的相关上下文对查询进行增强，且无需依赖外部资源作为监督信号。实验表明，生成的上下文显著丰富了查询的语义表达，而采用稀疏表示（如BM25）的GAR在性能上可达到甚至超越当前最先进的稠密检索方法（如DPR）。我们进一步证明，为同一查询生成多样化的上下文有助于提升检索效果，融合多个生成上下文的结果能持续提升检索准确率。此外，由于稀疏表示与稠密表示通常具有互补性，GAR可轻松与DPR结合，从而实现更优的性能。在采用抽取式阅读器（extractive reader）的设定下，GAR在Natural Questions和TriviaQA两个数据集上均取得了当前最优的性能表现；当使用相同的生成式阅读器时，GAR也始终优于其他检索方法。