RAG

RAG重排序器实践

本文分享我现在对重排序器的思考——它们为什么存在、在现代 RAG 系统中处于什么位置，以及将它们投入生产时真正需要权衡什么。

admin

• 8 min read
RAG重排序器实践

如果您曾经将检索增强生成（Retrieval-Augmented Generation，简称 RAG）系统交付给真实用户，您就已经知道那个令人不安的事实：检索质量比模型大小更重要。

过去几年，我一直在不同团队构建搜索、推荐和 RAG 流水线——包括支持机器人、内部知识助手和面向用户的语义搜索。每当时延预算收紧或者演示中出现幻觉时，问题从来不是 LLM。而是上下文。

这就是重排序器默默发挥作用的地方。

在这篇文章中，我将分享我现在对重排序器的思考——它们为什么存在、在现代 RAG 系统中处于什么位置，以及将它们投入生产时真正需要权衡什么。我还会展示一个使用向量数据库（在本例中是 Milvus）的具体示例，并讨论重排序何时有帮助——何时完全没有帮助。

这不是一篇宣传文章。而是关于什么有效、什么无效，以及我希望早点知道的事情。

1、为什么"足够好"的检索在大规模场景下会失败

大多数团队以相同的方式开始构建 RAG：

  • 分块文档
  • 生成嵌入（embeddings）
  • 运行近似最近邻搜索
  • 将 top-k 个分块发送给 LLM

它的效果出奇地好——直到它不再奏效。

最初的裂痕通常出现在这些时候：

  • 文档在语义上相似但上下文不同
  • 查询简短、模糊或具有对话性
  • 需要高精度，而不仅仅是语义接近度

密集检索擅长召回（recall），而不是精度（precision）。这就是设计使然。嵌入压缩的是意义，而不是意图。

一旦我理解了这一点，重排序就不再感觉是可选的了。

2、重排序器：它们实际做什么

重排序器不会替代您的向量搜索。它改进它。

可以这样理解流水线：

  • 向量搜索 → 广泛的语义召回
  • 重排序 → 细粒度的相关性判断

与比较查询和文档嵌入不同，重排序器通常直接评估查询-文档对，通常使用交叉编码器架构。

实际影响：

  • 更好的 top-k 结果排序
  • 发送给 LLM 的不相关分块更少
  • 下游幻觉率更低

如果您是 RAG 模式的新手，这篇关于检索增强生成的概念性文章是很好的复习。但真正的价值体现在从图表转向指标时。

3、我第一次正确测量重排序效果

起初我没有"感觉"到改进。我测量了它。

我们评估了：

  • 内部 QA 数据集上的 Precision@k
  • 答案引用准确性
  • 每个请求的 LLM token 使用量

令人惊讶的结果？重排序往往降低了总系统成本，尽管它增加了额外的模型调用。

为什么？更少的不相关分块意味着：

  • 更短的提示词
  • 更少的 LLM 往返交互
  • 更确定性的答案

这与我反复观察到的现象一致：检索质量直接影响成本曲线。如果您正在建模此问题，RAG 成本计算器等工具实际上对粗略规划很有用。

4、向量数据库适合什么场景

向量数据库处理它们最擅长的事情：

  • 高吞吐量的相似性搜索
  • 索引数百万（或数十亿）个嵌入
  • 元数据过滤和混合查询

一些系统——例如 Milvus——可以轻松地高效检索候选集。但重排序通常发生在向量索引之外。

这种分离很重要。

我见过团队试图用越来越复杂的启发式方法使向量搜索过载。这几乎总是适得其反。保持检索快速且近似。让重排序器进行昂贵的思考。

如果您需要嵌入本身的基础知识，这篇关于向量嵌入的词汇表是一个可靠的参考资料。

5、一个最小化、现实的 RAG + 重排序器示例

这是一个简化的 Python 示例，展示了我通常如何组织这些内容。这不是玩具代码——它的结构接近我实际部署的代码。

from pymilvus import connections, Collection
from sentence_transformers import SentenceTransformer
from my_reranker import rerank  # placeholder for any cross-encoder reranker

# 1. Connect to Milvus
connections.connect("default", host="localhost", port="19530")
collection = Collection("docs")

# 2. Embed the query
embedder = SentenceTransformer("all-MiniLM-L6-v2")
query = "How do we rotate API keys safely?"
query_embedding = embedder.encode([query])[0]

# 3. Vector search (recall-focused)
results = collection.search(
    data=[query_embedding],
    anns_field="embedding",
    param={"metric_type": "IP", "params": {"nprobe": 16}},
    limit=20,
    output_fields=["text"]
)

candidates = [hit.entity.get("text") for hit in results[0]]

# 4. Rerank (precision-focused)
reranked = rerank(query, candidates)

# 5. Send top results to LLM
context = reranked[:5]# 1. Connect to Milvus
connections.connect("default", host="localhost", port="19530")
collection = Collection("docs")

这里的关键设计选择：

  • 向量搜索返回的内容超过您的需求
  • 重排序激进地修剪上下文
  • LLM 只看到最高置信度的分块

这种模式扩展良好，并且使失败模式易于理解。

6、多模态 RAG 使重排序更加重要

一旦超越文本——图像、音频转录、图表——噪声基准线就会迅速上升。

在多模态系统中，嵌入可以捕获相似性，但不能捕获任务相关性。我见过没有重排序的图像密集型 RAG 系统完全崩溃。

如果您正在探索这一领域，这篇关于多模态 RAG的文章值得一读。要点很简单：您添加的模式越多，就越需要强大的相关性过滤器。

7、延迟、吞吐量和重排序器的权衡

重排序器不是免费的。

您需要付出的代价：

  • 额外的推理时间
  • GPU 或 CPU 利用率
  • 系统复杂性

对我有效的方法：

  • 小候选集（最多 10-30 个文档）
  • 批量重排序
  • 对重复查询进行激进缓存

如果您的系统有严格的延迟 SLA，则有选择性地进行重排序。并非每个查询都需要它。在一些生产设置中，我们只重排序：

  • 长尾查询
  • 模糊查询
  • 高价值用户流程

没有通用的规则——只有测量。

8、智能体和语音驱动系统中的重排序器

在智能体工作流中——尤其是语音助手中——重排序不再关乎精度，而更多地关乎置信度。

当系统必须行动而不仅仅是回答时，错误的上下文比缺失的上下文更糟糕。

我在基于智能体 RAG 模式构建的语音助手中清楚地观察到了这一点。如果您好奇这如何端到端地组合在一起，这篇关于使用智能体 RAG 构建语音助手的演练很好地展示了各个组件。

9、何时重排序是错误的工具

让我们诚实一点——重排序器无法修复：

  • 糟糕的分块
  • 过时的数据
  • 不良的领域覆盖

如果您的嵌入不能很好地表示领域，重排序只是重新排列糟糕的候选者。

我的经验法则：

先修复数据和嵌入。然后重排序。

重排序器放大信号。它们不创建信号。

10、来自实战的最终要点

在交付多个 RAG 系统后，我的立场很简单：

  • 密集检索让您接近正确
  • 重排序让您真正正确
  • 测量让您保持诚实

重排序器并不迷人。演示效果不佳。但当您的系统停止幻觉并开始引用正确的来源时，它们通常是原因所在。

如果您已经在生产环境中运行 RAG 而没有重排序，您可能正在失去质量——以及金钱。

而如果您正在重排序？测量它。调整它。质疑它。真正的收益就出现在那里。

原文链接: Rerankers in Production: What Actually Moved the Needle for My RAG Systems

汇智网翻译整理，转载请标明出处