RAG 为什么需要 Rerank 及如何选型
哪些公司问过
答案要点
- 双编码器独立编码 query 和文档,缺乏细粒度交互,排序精度有限
- 交叉编码器拼接 query 与文档联合打分,精度高但开销大,只用于候选集精排
- 两阶段流程:向量与 BM25 混合召回,reranker 精排后取 top-n 进上下文
- 字面相似误排可用难负例领域微调、补充查询意图、规则过滤或 MMR 缓解
- 精排后设置分数阈值,过滤低相关片段
易错点
- 认为向量库已算过相似度就不需要重排
- 对全库直接使用交叉编码器,延迟不可接受
- rerank 后不设阈值,把低相关片段也塞进上下文
面试官常见追问
- Rerank 阶段的 Top-k 数量,项目中是怎么确定的?
- Rerank 模型怎么接入 Agent 系统?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。