面试题 · RAG
搜索「重排」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在检索增强生成（RAG）系统中，当检索结果包含噪声或不相关文档时，有哪些方法可以提升生成质量与鲁棒性？
按学习路线查看教程、项目和面试题。
UGC内容噪声类型更复杂（标题党、软广、过时笔记），建议：
建议系统学习该知识点
场景切入
假设我们在做小红书笔记的智能问答，用户问“怎么选防晒霜”，检索回来一堆笔记，但里面混着很多软广和标题党。这时候生成回答，你怎么处理这些噪声文档，保证回答质量？
层层追问
RAG系统里检索结果经常有噪声，这个你遇到过吧？……一般怎么处理？……如果噪声滤不掉，生成阶段有什么办法让模型不要被带偏？
直球架构
直接讲一下，在RAG系统中，检索结果包含噪声或不相关文档时，提升生成质量与鲁棒性的方法有哪些？从检索和生成两个阶段分别说说。
这道题问的是，当[[RAG]]系统召回了一堆乱七八糟的东西，怎么保证生成质量不掉。说白了就是两条防线，一条是检索阶段把输入搞干净，另一条是生成阶段让模型自己学会抗干扰。
先说检索阶段怎么净化。核心思路不是把召回量做上去，而是把质量提上来。最直接的方法是加一层 [[重排]]，用 [[Cross-Encoder]] 把召回的候选文档逐对打分，过滤掉那些低相关的。这招效果很稳，但计算成本高，一般只对 top 几十的候选做，不会全量做。还有一种做法是上下文压缩，用个小模型或者 LLM 对长文档做摘要，减少噪声信息占比。举个例子，企业 SOP 合规场景，文档里可能夹杂了历史版本说明和废弃流程，压缩之后只保留当前有效条款，生成准确率明显提升。
再一个，我比较推荐搞 [[混合检索]]，就是向量检索加 [[BM25]] 关键词检索，甚至接[[知识图谱]]，多路召回之后做加权融合。这样能避免单一检索方式被噪声带偏。比如向量检索容易把语义相近但实际无关的文档召回来，关键词检索反而能纠正。但这里有个坑：融合策略不是简单的取交集或求平均，得根据场景调权重。比如小红书那种 UGC 内容，噪声类型很复杂，标题党、软广、过时笔记都有，我可能还会加时效性过滤和作者权威性评分，把低质量笔记压下去。
说完检索，再讲生成阶段怎么增强抗噪。其实更关键的是让模型学会“选择性忽略”。一种做法是置信度引导生成，让模型输出时附带引用来源和相关性评分，低置信度的直接降权或者拒绝回答。比如客服退款场景，如果检索到的政策文档里有一条和当前问题明显矛盾，模型应该优先采信高置信度的那几条，而不是硬凑答案。另一种是训练层面的，用 反事实训练 在 [[SFT]] 阶段注入噪声文档，让模型学会看到不相关内容时主动忽略。这招效果很好，但前提是你得有足够的噪声样本，而且噪声分布要和线上一致，否则模型学偏了反而坏事。
其实还有个方向我最近比较关注，就是让模型自己判断是否需要检索、是否信任检索结果，比如 [[Self-RAG]] 和 [[Corrective RAG]]。这类方案让生成过程更灵活，但代价是推理链路变长，延迟和成本得权衡。如果面试官感兴趣，我可以展开说说。
最后说落地风险。这些方法不是堆上去就有效，得看场景。比如重排对延迟敏感的应用就不太友好，可能得用 [[ColBERT]] 这种兼顾效率和精度的方案。反事实训练如果噪声分布和线上不一致，效果会大打折扣。我的判断是，先把检索阶段的净化做扎实，比如重排加混合检索，这步收益最稳，再根据线上 badcase 决定是否上生成阶段的抗噪手段。说白了，RAG 的鲁棒性不是靠一个模块解决的，而是整个链路一起调优。