RAG 检索：召回、混合搜索与重排

先召回，再排序，再核验证据

召回从大量资料中找候选，重排对较少候选做更细判断，生成使用最终上下文回答。重排不能找回根本没有进入候选集的资料。模型生成流畅也不能证明召回和排序正确。

检索模块知识点

方法或参数	适用场景	代价与边界
关键词/BM25 等稀疏检索	型号、编号、术语与精确匹配	同义表达可能漏检
向量检索	不同表述的语义匹配	数字、否定、版本可能混淆
混合检索	结合稀疏与稠密候选	需要处理不同分数尺度和融合规则
元数据过滤	范围、日期、权限、文档类型	过滤字段不全会漏检或越界
Query 改写	补全上下文、拆分多问句	改写可能改变原始意图
Reranker	对 query 与候选联合评分	增加延迟，输入长度有限
top-k 与阈值	控制候选数与拒答边界	更多候选也可能增加噪声与成本
去重和多样性	减少相邻重复片段	过度去重可能删掉关键条件

混合检索可按各自排名做融合，或校准后结合分数。直接相加 BM25 分数和余弦分数没有通用合理性；本站将融合方案作为待比较的工程选择，不提供固定“最优权重”。

反例与排错顺序

假设查询“AB-204 的保修期”，向量召回返回措辞很相近的 AB-240 说明书。重排之前必须把正确型号纳入候选；关键词与元数据可提供精确约束。若同一文档的重叠片段占满 top-k，还应检查去重与多样性。

排错时记录原查询、改写查询、过滤条件、候选 ID、分数、重排结果和最终上下文。先判断关键证据是否入候选，再看位置与上下文预算，最后查生成。不要把所有错误统称为幻觉。

练习与完成标准

设计六个查询，覆盖精确编号、同义表述、缺证据、版本冲突、多问句和未授权资料。为每个查询标记相关片段 ID，比较关键词与向量方案的预期失败。已有关键词实验可实际复现；新的向量与重排实验尚未执行。

复习问题

1. Reranker 为什么修复不了候选集之外的漏检？
2. top-k 增大为什么可能让答案变差？
3. 怎样区分召回失败与证据进入上下文后仍答错？

阅读依据与核验范围

• 检索、向量搜索与重排
• 语义搜索
• 检索评估与优化

2026-10-07：AI 助手协助原创整理，核对以上 GitHub 章节；示例与练习为本站设计，未执行的任务不作为实验结论。