混合检索与 Rerank：召回求全、重排求准
2026/8/23大约 2 分钟
AICon 2026 学习系列 · 阶段 2 · RAG 与数据 · 第 13/43 篇 · 🚧 占位待学
上一篇：《Chunking 策略：文档切法的学问》
下一篇：《RAG 评估：没有评测集的调优是玄学》
学习大纲：《AICon 2026 学习总纲》
状态：待学习。 本文为占位文档：知识点清单、实验与验收标准已就绪，正文待按「先学习、先实验、再撰写」补全。
对应总纲单元：阶段 2 · 单元 2.3
一、本文要解决的问题
向量检索完事了吗？为什么生产系统都要在后面加一层 rerank？两段流水线各司其职：粗召回从十万文档里捞 50 条，重排从 50 条里挑 5 条。
二、知识点清单
- 混合检索：BM25（精确匹配）+ 向量（语义匹配）的分数融合（RRF 等）
- rerank 模型：交叉编码器为什么比双编码器准、为什么慢
- 召回率 vs 精确率的分工：粗排求全、精排求准
- top_k、阈值与延迟预算的调参
三、动手实验（学习时必须真跑）
- 搭 BM25 + 向量 + rerank 三段流水线，逐段记录指标变化（命中率 / MRR）
- 构造一个「语义近但答案错」的查询，看 rerank 怎么救
四、验收标准（全部通过才进入下一篇）
五、写作提示（补正文时遵守）
- 开篇问题驱动；结构走「是什么 → 为什么 → 怎么做 → 背景知识」
- 所有代码、命令、输出必须先在本机跑通再写入，不得杜撰
- 版本口径以总纲环境清单为准（Python 3.12 / Ollama / vLLM 与 SGLang 最新版 / Spring AI 1.x）
- 涉及版本敏感结论时标注出处与时间
本篇完成后，把文首导航块的「🚧 占位待学」去掉，并在总纲处打卡。