理解 RAG 第三部分：融合检索与重新排序

关注

原创最新推荐文章于 2026-05-08 16:03:01 发布 952 阅读 AI 写同款· GEO 优化 ›

大模型优化——重排序模型重排序是信息检索系统中的一个重要步骤，它发挥着优化检索结果的关键作用。在初始检索阶段，系统根据某种标准（如相似度）返回一组文档。然而，由于初始排序可能并不总是能够准确反映文档与查询的真实相关性，因此需要进行重排序来提升检索结果的质量。不同的重排序方法使用检索模型进行二次检索：一种常见的重排序方法是使用检索模型进行二次检索。在初始检索后，通过利用更复杂的模型，例如基于嵌入的检索模型，可以再次检索相关文档。这有助于更精确地捕捉文档与查询之间的语义关系。阅读详情

我们之前介绍了什么是 RAG、它在大型语言模型 (LLM) 中的重要性，以及 RAG 的经典检索器、生成器系统是什么样的，本系列的第三篇文章探讨了一种构建 RAG 系统的升级方法：融合检索。

在深入探讨之前，值得简要回顾一下我们在本系列第二部分中探讨过的基本 RAG 方案。

Basic RAG scheme

融合检索解析

融合检索方法涉及在检索增强生成（RAG）系统的检索阶段中融合或聚合多个信息流。回顾一下，在检索阶段，检索器——一个信息检索引擎——接收用户对大型语言模型（LLM）的原始查询，将其编码为向量数值表示，并用它在庞大的知识库中搜索与查询强烈匹配的文档。之后，通过添加来自检索到的文档的结果上下文信息来增强原始查询，最后将增强后的输入发送给LLM以生成响应。

通过在检索阶段应用融合方案，可以在原始查询的基础上添加更加连贯和上下文相关的背景信息，从而进一步改善由LLM生成的最终响应。融合检索利用从多个提取文档（搜索结果）中获取的知识，并将其组合成更有意义和准确的上下文。然而，我们已经熟悉的经典RAG方案也可以从知识库中检索多个文档，而不仅仅是单一文档。那么这两种方法之间有什么区别呢？

经典RAG与融合检索之间的关键区别在于如何处理和整合检索到的多个文档以形成最终响应。在经典的RAG中，检索到的文档内容只是简单地串联起来，或者最多是抽取式摘要，然后作为额外的上下文输入LLM以生成响应，不涉及高级融合技术的应用。而在融合检索中，则使用更专业的机制来跨多个文档组合相关信息。这种融合过程可以发生在增强阶段（检索阶段）或甚至是在生成阶段。

增强阶段中的融合

包括在将多个文档传递给生成器之前应用重新排序、过滤或合并的技术。两个例子是重排序和聚合：重排序指的是根据相关性对文档进行评分和排序后再与用户提示一起输入模型；聚合则是将每个文档中最相关的部分合并成一个单独的上下文。聚合通过经典的信息检索方法实现，如TF-IDF（词频-逆文档频率）、嵌入操作等。
生成阶段中的融合

涉及到LLM（生成器）独立处理每一个检索到的文档——包括用户提示——并在生成最终响应时融合数个处理任务的信息。广义上讲，RAG中的增强阶段成为了生成阶段的一部分。这一类别中的一种常见方法是解码器中的融合（FiD），它允许LLM分别处理每个检索到的文档，然后在生成最终响应时结合它们的见解。

重排序是一种最简单但有效的融合方法，能够有意义地结合来自多个检索来源的信息。接下来的部分简要解释了它是如何工作的。

重排序的工作原理

在重排序过程中，检索器获取的初始文档集会被重新排序，以提高与用户查询的相关性，从而更好地满足用户需求并提升整体输出质量。检索器将获取的文档传递给一个称为“排序器”的算法组件，该组件根据诸如学习到的用户偏好等标准重新评估检索结果，并对文档进行排序，目的是最大化呈现给特定用户的结果相关性。诸如加权平均或其他形式的评分机制被用来组合和优先排列排名最高的文档，使得排名靠前的文档内容比排名较低的文档内容更有可能成为最终合并上下文的一部分。

下图展示了重排序机制的工作原理：

The reranking process

为了更好地理解重排序，我们以东亚旅游为背景描述一个例子。想象一位旅行者向一个RAG系统查询“亚洲自然爱好者最佳目的地”。初始检索系统可能会返回一系列文档，包括通用的旅行指南、关于亚洲热门城市的文章，以及对自然公园的推荐。然而，一个重排序模型可以利用额外的旅行者特定偏好和上下文数据（例如偏好的活动、之前喜欢的活动或去过的目的地）对这些文档重新排序，从而优先展示对该用户最相关的内容。它可能会突出一些宁静的国家公园、鲜为人知的徒步小径以及生态友好的旅行路线，而这些可能不会出现在大多数人的推荐列表前列。通过这种方式，它为像目标用户这样的自然爱好者游客提供了“直击要点”的结果。

总之，重排序基于额外的用户相关性标准重新组织多个检索到的文档，集中关注排名靠前的文档内容提取过程，从而提高后续生成响应的相关性。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述