在RAG系统中，重排序（Rerank）是连接检索与生成的关键一环。本文深入解析Rerank模块的核心逻辑与主流技术路径，结合实际应用场景，帮助产品人理解如何通过重排序提升AI问答系统的准确性与响应质量。

向量化与重排序（rerank）是相辅相成的两个模块，他们两个搭配起来，共同解决检索准确性的问题。

向量检索的核心：在海量数据中，检索与跟查询内容相近的内容。一般称为内容召回。例如一次性召回50条内容

rerank的核心：基于召回的内容，再做更加精准的排序。例如将上面50条内容，做一次更加精准重排序，获取到top10内容；

为什么rerank准确这么重要？

生成答案的大模型，如果自己没有训练的话，他都是通用的识别能力，对于公司/行业内的专有名词/特地话术的区分能力很差。

如果你给了准确的知识，他能够生成准确的答案，但是如果你给的非常接近的错误的知识，他分辨能力较差，非常容易生成错误的答案。

rerank模型

本质就是针对重排序特别训练的大模型。我自己最早搭建demo的时候，并没有使用rerank模型，直接用一个火山doubao1.5模型，让doubao1.5直接针对内容的相关性进行排序。这个也让我了解到了专门的rerank大模型到底改进了什么？

速度更快：如果是使用通用的大模型对内容进行排序，耗时会很长，doubao的模型基本都是20s+，如果参与rerank环节的引用知识更多，那么排序时间就更长了。但是专门的rerank模型基本秒级就可以完成同等的排序

排序分数更稳定：对于同一批知识，大模型的排序结果每次排序结果不尽相同，当你复现case的时候非常痛苦，但是专门的rerank模型排序结果是很稳定的；

模型推荐

一般不是很难排序的模型bge-m3就足够了，模型本身小，运行速度快。如果排序比较难的话，可以尝试qwenrerank8B的模型，但是这个模型有点大，对于服务器配置要求比较高。

经验总结与反思

希望大家能够理解真正的原理，各个板块存在的意义，不然很容易人云亦云。

真的需要向量化吗？

向量化的时间相对来说比较高，需要搞自己向量化数据库，选择合适的向量化模型，但是我们真的有必要搞向量化吗？

向量化其实主要是方便从海量数据中找到可能的候选内容，供rerank使用。针对企业级场景，很多公司的内容并没有那么多，我们完全可以把所有的知识全量rerank，直接获取结果就好了。我自己测试500条知识，rerank的话几秒就完成了，做个并发的话，速度会更快。

需要自己训练模型吗？

通用的模型在理解一些行业专有名词的时候，效果不佳。如果这个成为了效果的瓶颈了，再考虑做模型微调。一般情况下，选个市面上通用的rerank模型就够用了。

微调的话，建议优先训练rerank模型，因为它是最终的决定性环节。如果rerank效果好，向量化效果差，直接在向量化环节搞个top100，然后交由rerank进行排序选出最好的top10。

后续

上面聊的只是一路检索，但是现在我们使用的基本都是多路检索，后续再给大家介绍一下多路检索，以及后续生成环节如何处理。