大模型应用开发 / 系统课时

理解检索结果重排

理解检索结果重排

检索结果重排用于解决向量召回“找得多但不一定准”的问题。本节将理解召回模型与重排模型的区别,掌握交叉编码器如何重新评估候选文档,并明确它在 RAG 链路中的作用。

学习目标

  • 理解向量召回和结果重排的职责差异。
  • 掌握交叉编码重排模型的基本工作方式。
  • 能够设计包含召回和重排的检索流程。

为什么需要结果重排

向量检索通过计算查询与文档向量的相似度快速找到候选内容,但它通常只关注整体语义接近程度,无法深入判断查询和文档之间的精确匹配关系。

例如用户查询“如何修改数据库连接池大小”,向量检索可能返回数据库配置、连接超时、性能优化等多个相关文档。重排模型会进一步判断哪个文档真正回答了问题。

RAG 检索召回与重排两阶段流程图

向量召回与交叉编码重排的区别

向量召回通常采用双编码结构,分别将查询和文档转换为向量,然后计算相似度。它适合处理大规模文档,因为向量可以提前建立索引。

交叉编码模型则同时输入查询和候选文档,让模型直接分析二者关系,因此准确度更高,但计算成本也更大。

阶段 目标 特点
向量召回 快速找到候选集合 速度快,适合大规模搜索
交叉编码重排 精确判断相关性 准确率高,计算成本较高

重排模型的工作流程

典型 RAG 流程会先召回较大的候选集,例如 Top 50 文档,再使用重排模型筛选 Top 5 文档进入上下文生成阶段。下面示例展示一个简单的重排接口调用流程:

python
from typing import List

def rerank(query: str, documents: List[str]) -> List[str]:
    # 示例中使用关键词数量模拟模型评分
    scored = [(doc.count("数据库"), doc) for doc in documents]
    return [doc for _, doc in sorted(scored, reverse=True)]

query = "数据库连接池配置"
docs = ["缓存优化方案", "数据库连接池调整方法"]

print(rerank(query, docs)[0])

预期输出

text
数据库连接池调整方法

重排策略中的实践注意事项

重排并不适合无限扩大候选数量。候选文档过多会增加模型计算时间,也可能引入更多噪声。

常见做法是根据业务规模调整召回数量和重排数量,例如先召回几十篇文档,再选择少量高质量片段进入提示词上下文。

同时需要监控重排后的命中率。如果重排模型长期降低原始召回结果质量,应检查领域适配、训练数据和评分策略。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

理解检索结果重排

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通