← 返回概念解读

Concept Fable精修版

重排序

Reranking · Retrieval quality

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

桌面上的证据重新排了一次队

问事馆每天替百姓查规条。前厅有寻卷员,听完问题就从书库抱回一摞相近卷宗,按他第一眼觉得相关的顺序摆好。起初馆长只看第一摞。寻卷员说最像的放最上面,答卷先生便照着写。小问题还行,复杂事常出错。

有人提议多抱一些卷。十卷变五十卷,证据确实多了,桌面也乱了。答卷先生在旧规、新规、相似但不适用的例外里绕晕,反而更容易引用错。

馆长又给卷宗贴标题、年份和红签。秩序好些,却仍不能判断哪一卷真正回答眼前问题。比如“七日退货”常排在前面,但大商号合同里另有例外。

后来馆里在寻卷员和答卷先生之间添了一张审卷小桌。候选卷宗先放到这里,由审卷人逐一对照提问里的身份、时间、合同和限制,重新排出先后,只把最贴题的几卷送进去。

一次退款争执中,最像的通用规条被放到第三位,年度框架契约里的例外条款被提到第一位。答案因此改了,客户也服气。

馆长于是加了一张复审桌。寻卷员仍负责把可能有用的卷宗搬来,复审先生却重新查看问题里的身份、时日、适用范围和例外条款,再决定哪几卷该压在最上面。

复审先生常把第一名卷宗降到第三或第五。寻卷员一开始不服,觉得自己已经找得很像。馆长让他看错案:像问题的卷宗未必回答问题,真正要紧的是能否支撑结论。桌面上的队伍变了,答卷先生下笔才稳。 后来问事馆把复审结果也留存下来。哪些卷宗常被误排在前,哪些条件会改变顺序,寻卷员慢慢学会先召回可能性,再把最终次序交给更细的判断。

馆长明白,找得到资料只是第一步。进入答复之前,证据还要按当下问题重新排队;顺序错了,好先生也会被错卷带偏。

揭示

这个故事讲的是:重排序

Reranking 是在第一阶段检索之后,对候选文档、chunk 或搜索结果重新评分排序的步骤。它通常结合查询和候选内容做更细粒度的相关性判断,常由 cross-encoder、LLM 或专门重排模型完成。RAG 落地中,reranking 能显著提高进入上下文的证据质量,降低幻觉和错引,但会增加延迟和推理成本,因此常按问题风险分层使用。注意:词库中 Reranker 已有独立精修页,本页聚焦重排序这个流程动作。

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

  • 第一轮检索分数:向量检索或关键词检索的初排结果
  • top-k 调大:用更多候选弥补召回,但会引入噪音
  • 检索和生成之间的小桌:reranking 流程位置
  • 企业定制合同例外条款:细粒度业务条件对排序的影响
  • 正确顺序的证据:RAG 答案质量高度依赖上下文排序
  • 普通问题和高风险问题分层:按价值和风险控制重排成本
  • Reranker 独立页:组件名;本页强调重排序动作和流程设计

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。

cross-encoderretrieval pipelinetop-k retrievalrelevance scoringhybrid search

相关辨析

这个概念容易和相邻概念混用,建议继续看对比页。