本文目录
适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。
教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。
页面加载中…
求职指南 · 简历项目模拟面试
适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。
适合写过混合检索、RRF 或重排的人，重点练为什么这样选、效果提升来自哪里、延迟增加多少。
教学示例：先换成自己的真实项目描述，再逐题练习。下面保留完整追问分支、检查重点与评分规则。
学习内容与项目面试，在同一条路上。
负责【真实检索场景】的混合召回与重排，承担【真实模块和决策】。
需要准备：查询与语料场景；职责边界；候选生成与排序工件。
使用【BM25、向量、RRF 或重排的真实组合】改善【真实指标】，代价为【真实时延或成本变化】。
需要准备：基线；融合参数；消融结果；工程代价。
简历原句是“【自己的真实项目描述】”。BM25、向量召回、融合和重排中，哪些组件及参数由你负责？
考察重点：核验项目所有权，避免把团队或平台成果当作个人成果。
需要追加追问时：ownership_ambiguous → ownership-proof。
下一步：design。
配套学习：RAG 文档检索选型。
请用一次参数变更、离线实验或线上回滚说明你的决策如何进入生产。
考察重点：用可脱敏工件交叉验证职责，而不是继续听抽象表述。
下一步：design。
配套学习：项目难题怎么定位与解决?。
从 query 进入开始，讲清两路候选、去重、RRF、Cross-Encoder 重排和结果截断的数据结构与顺序。
考察重点：确认候选人理解端到端链路、关键接口和状态变化。
下一步：tradeoff。
配套学习：BM25 vs 向量检索 vs 混合检索怎么选?。
为什么选 RRF 而不是归一化加权？RRF 常数、各路 top-k 和重排深度如何确定？
考察重点：验证选型来自真实约束和对比，而不是技术名词堆砌。
下一步：metrics。
配套学习：RAG检索质量提升5法、RAG 为什么需要 Rerank?。
召回改善用 Recall@k、MRR、NDCG 还是最终答案指标？各自基线、样本和置信区间是什么？
考察重点：核验效果数字是否有定义、基线、样本和可归因证据。
需要追加追问时：metric_undefined → metrics-proof；baseline_missing → metrics-proof；evaluation_set_missing → metrics-proof；ablation_missing → metrics-proof。
下一步：failure。
请把同一 query 集上的单路召回、融合与重排结果并排列出，并说明各模块去除后的变化；没有对照记录时不要归因到某个组件。
考察重点：二次核验缺失的指标证据；仍无法提供时，在复盘中标记为“只有知识，没有项目事实”。
下一步：failure。
哪些 query 在混合后变差？专有名词、短查询、长尾和权限过滤分别有什么坏例？
考察重点：确认候选人见过方案边界，并能完成证据驱动的失败复盘。
需要追加追问时：failure_case_missing → failure-proof。
下一步：production。
配套学习：RAG 检索语义相似但无关怎么解?。
请回放一个融合后变差的 query：两路排名、RRF 分数、重排分数和最终截断点分别是什么？没有日志就按假设失败回答。
考察重点：要求用可回放材料证明失败复盘；若只有假设分析，必须与真实事故或 bad case 明确区分。
下一步：production。
配套学习：RAG 检索语义相似但无关怎么解?。
线上如何控制重排批量、超时、缓存、模型降级和索引版本？P95 与成本预算是多少？
考察重点：验证系统是否真实上线，并具备监控、灰度和回滚能力。
需要追加追问时：production_evidence_missing → production-proof；rollback_missing → production-proof。
下一步：extension。
配套学习：RAG 三大瓶颈与迭代策略。
请给出一次真实压测或线上变更，说明候选深度、批量、阶段时延、成本与回退开关；没有记录就明确只是容量估算。
考察重点：核验生产事实与设计知识的边界；没有线上材料时，只按设计能力记录，不视为上线经历。
下一步：extension。
配套学习：RAG 三大瓶颈与迭代策略。
如果候选规模扩大十倍且延迟预算减半，你会调整召回并行度、重排深度还是模型层级？
考察重点：测试约束变化后的迁移、容量和风险判断能力。
配套学习：垂直领域 RAG 完整架构。
dimension：ownership
0：只会复述团队目标，无法说明本人职责。
1：能说出参与模块，但职责边界和决策权不清。
2：能区分本人、同事和平台职责，并给出实现证据。
3：职责、决策、协作边界和可核验工件完整一致。
dimension：chain-understanding
0：只罗列技术名词，讲不清数据如何流动。
1：能描述主流程，但关键接口和状态变化含糊。
2：能画清端到端链路，并解释关键输入输出。
3：能画清两路候选、去重、RRF 排名、Cross-Encoder 重排与截断的数据结构和顺序。
dimension：tradeoff
0：只说方案先进或效果好，没有备选比较。
1：知道一个备选方案，但说不清真实约束。
2：能结合质量、时延、成本或维护性解释选择。
3：有候选对比、实验或决策记录，并能说明放弃条件。
dimension：metric-credibility
0：只有提升结论，没有指标定义和基线。
1：有数字，但缺评测集、统计窗口或口径。
2：指标、基线、样本和统计口径基本完整。
3：能在冻结 query 集上给出单路基线、融合与重排消融，并解释切片置信度。
dimension：failure-review
0：声称没有失败案例或只归因于模型能力。
1：能举失败现象，但没有复现和根因证据。
2：能给出代表性坏例、定位过程和修复验证。
3：有失败分类、复现材料、反事实验证和遗留边界。
dimension：production-engineering
0：只讲离线 Demo，不了解上线约束。
1：知道监控或降级概念，但没有具体阈值。
2：能说明时延、容量、监控、灰度和回滚。
3：能用阶段时延、候选深度、批量、索引版本和回退记录说明线上预算。
dimension：consistency
0：前后职责、数字或架构明显冲突。
1：主要结论一致，但追问后口径频繁变化。
2：事实、指标和方案在多轮回答中保持一致。
3：能主动声明不确定项、版本变化和证据边界，回答可交叉核验。
dimension：tradeoff
能解释 RRF 与加权融合各自失效条件。
dimension：metric-credibility
有单路、融合、重排逐项消融。
dimension：production-engineering
能给出重排超时与降级数据。
dimension：metric-credibility
把 Top3 准确率当成未定义的万能指标。
dimension：tradeoff
声称 RRF 无需调参且一定优于加权。
dimension：failure-review
无法给出融合后退化的 query 类型。