面试题 · 检索
搜索「RAG 延迟」匹配到口述回答，相关段落已展开。查看匹配内容 ↓
在RAG系统中，是否应对检索到的候选文本块进行重排序（Re-ranking）？有哪些方法可以有效提升最终召回结果的相关性和精度？
为什么需要重排序？
向量检索（双编码器）存在固有缺陷：
重排序作为两阶段检索的第二阶段，用更高精度的模型对候选集（通常100-1000条）精细打分，显著提升最终Top-N的相关性。
主流重排序方法
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 交叉编码器（Cross-Encoder） | Query+Doc拼接输入，Transformer输出相关性分数 | 精度要求高、延迟可接受 |
| ColBERT | 延迟交互，token级相似度计算，兼顾效率和精度 | 中等延迟、长文档场景 |
| 多路融合 |
学习内容与项目面试，在同一条路上。
| 向量检索 + BM25 + 稀疏向量（如Splade）结果融合 |
| 数据分布复杂、单一通道不足 |
| LLM-based重排 | 用GPT-4/Claude等直接打分或生成排序理由 | 极高精度需求、成本不敏感 |
工程实践要点
一句话总结：重排序是RAG从"可用"到"好用"的关键投入，建议至少部署轻量交叉编码器，高价值场景叠加LLM重排。
建议系统学习该知识点
场景切入
假设你在做一个电商客服RAG，用户问“这个手机能防水吗”，向量检索出来一堆文本，但排在第一的其实是另一个型号的规格。你打算怎么处理这种检索不准的情况？需要加一个重排序环节吗？
层层追问
RAG系统里检索阶段你一般怎么实现？……向量检索直接拿top-k给大模型感觉够用吗？……如果要求最终结果必须非常精准，你怎么改进召回后的排序？
直球架构
RAG中为什么需要重排序？你会选择哪种重排序方法？从精度、延迟、成本角度，给出你的设计方案。
这道题其实是在问，[[RAG]] 系统里向量检索拿到候选块之后，我们还能不能进一步做点什么，让最终送给大模型的内容更准、更相关。我的回答是，[[重排]]这一步非常有必要，但具体怎么做，取决于你对精度和成本的容忍度。
先说为什么需要重排。向量检索用的是 [[Bi-Encoder]]，query 和 doc 分别编码，算一个余弦相似度。这个分数有个问题，就是跨查询不可比，同一个分数在不同 query 下意义可能完全不一样。而且它本质是粗粒度匹配，丢失了 query 和 doc 之间细粒度的交互信息。这就导致 Top-K 里可能漏掉真正好的文档，或者混进去一些语义相似但实际不相关的内容。所以重排相当于加了一道精筛，用更高精度的模型重新打分。
具体方法上，我重点讲三个方向。先看 [[Cross-Encoder]]，把 query 和 doc 拼起来过一遍 Transformer，直接输出相关性分数。精度最高，但延迟也最高，适合对精度要求极严、延迟可以接受的高价值场景。再看 [[ColBERT]]，它做 token 级的延迟交互，算一个相似度矩阵再求和，精度接近 Cross-Encoder，但速度快很多，尤其适合长文档。还要看多路融合，比如把向量检索、[[BM25]]、稀疏向量结果混合起来，用加权或 RRF 融合，适合数据分布复杂、单一通道不够稳的情况。
举个例子，在客服退款场景里，用户问“我买的东西没收到，怎么退款”，向量检索可能召回一堆关于退款流程的文档，但真正需要的是“物流异常+未签收”这种组合。这时候如果只用向量，很容易把“退款流程”和“物流状态”两条线混在一起。我的做法是先用向量检索取 Top-200，然后用轻量 Cross-Encoder（比如 bge-reranker-base）粗排到 Top-50，最后再用大模型精排 Top-10。这样既保证了精度，又把延迟控制在了可接受范围。
这里有个坑，就是重排的候选集大小。如果 Top-K 取太大，比如 1000，重排的延迟会暴涨，而且很多噪声文档根本没必要排。如果取太小，比如 10，又可能漏掉好文档。我一般取 100 到 200 作为起点，然后根据实际召回的 Recall@K 曲线调整。另外，级联过滤是个很实用的策略：先轻量模型过滤掉明显不相关的，再重量级模型精排，这样能在成本和精度之间找到平衡。
所以回到问题，我会把重排看成 RAG 从“可用”到“好用”的关键一步。具体落地时，我倾向于至少部署一个轻量 Cross-Encoder，高价值场景再叠加 LLM 重排。但前提是你要评估好延迟和成本，否则重排本身可能成为瓶颈。
不过还有一个点值得注意，就是 LLM 做重排时，它自己也可能产生[[幻觉]]，尤其当文档本身有歧义时，它给的分数不一定可靠。所以我会额外加一层置信度校验，比如让模型输出理由，再验证理由是否和文档一致。