← 返回概念解读

Concept Fable精修版

重排序器

Reranker · RAG / search

先读故事。这里不急着给定义,先让问题自己长出来。

寓言故事

守门人不再相信第一批送来的卷宗

档案馆的寻书速度越来越快。读者刚提出问题,几位寻书人就能抱回几十页材料。馆长起初高兴,总比空手回来好。

可是回答开始变差。桌上资料很多,真正关键的两页常被压在下面。馆长读了前几页就下判断,结果看似有证据,细节却偏。

寻书人觉得委屈:我们已经把相近的都找来了。馆长也知道他们没错,第一轮寻找追求别漏太多,不负责把每一页排得最准。

于是馆长安排一位守门人。他不满城找书,只看读者的问题和已经抱回来的候选页,然后逐页判断:这页是在回答问题,还是只是沾边。

一次问题是东桥南侧临时棚是否要避开集市日。寻书人带回桥史、维修、摊位管理和申请细则。守门人把同时含有东桥、南侧、临时棚和集市日的两页放到最上面。

有人嫌慢。守门人说,我只看几十页,却决定馆长先读什么。后来档案馆形成分工:先尽量找全,再精排证据。许多坏答案并非不会写,而是最该看的纸没摆到前面。

守门人也会犯错。有时他太看重词面相似,把真正回答问题的旧规放到后面。馆长便让他保留理由:为什么这页排前,为什么那页只算沾边。

理由积累后,档案馆发现第一轮和第二轮要用不同眼光。找书要宽,排书要准;前者怕漏,后者怕混。两道工序分清,馆长才不被厚厚一摞纸骗住。 后来新手入门时,老师傅不再先讲抽象名目,而是让他们复盘那次失误:原先哪里靠直觉,第一次修补为什么不够,新的安排怎样把风险留在能检查的位置。等他们能说清这些细节,还能指出什么时候该沿用、什么时候该升级,才算真正懂了这套办法。 后来他们还把这套办法交给新人演练:先让新人按旧办法做一遍,看错误怎样出现;再按新规矩重做,看哪一步被提前拦住,哪一步留下了证据。新人若只会背名字,仍会在相似场景里乱用;只有能说出适用边界、代价和失败后的补救,才被允许独立接活。

揭示

这个故事讲的是:重排序器

重排序器(Reranker)是在初步检索后,对候选文档或 chunk 重新评分排序的模型或组件。第一阶段 retriever 通常追求召回,先找回一批可能相关的结果;reranker 再结合查询和候选内容做更细的相关性判断,把最值得进入模型上下文的内容排到前面。它常用于 RAG、搜索和推荐系统,可以显著改善上下文质量,但会增加一定延迟和计算成本。

它重要的地方在于:它不只是一个术语,而是在真实 AI / Agent 系统里会反复出现的结构性问题。理解它,才能判断什么时候该加模型,什么时候该改流程,什么时候该补治理。

隐喻映射

  • 几位寻书人:第一阶段 retriever,负责快速召回候选结果
  • 几十页材料:top-k 检索结果,里面有相关、半相关和噪音内容
  • 关键两页被压在下面:召回到了但排序不好,仍会影响答案
  • 守门人:reranker,对查询和候选内容进行更精细的相关性判断
  • 只看已找回的几十页:reranker 不负责全库检索,只重排候选集
  • 把同时满足问题条件的页放到最上面:交叉编码器或重排模型捕捉查询与文档的细粒度匹配
  • 第一轮找全、第二轮精排:retrieve-then-rerank 的典型架构
  • 增加一点慢但换来证据质量:reranker 的成本与准确性权衡

Soloharness 判断

这个概念的实战价值,是帮你把“看起来聪明的 AI 功能”拆成可交付、可验收、可治理的工作单元。

Retrievercross-encodersemantic searchRAGrankingrelevance