待验证50% 置信事实精确时间
RAG的重排序（Rerank）阶段用交叉编码器对查询与候选片段逐对打分，把真正能回答问题的片段排到前面。
1
来源数
50%
置信度
长期有效
时效性
2026/10/31
首次发现
来源
AI大模型面试深度指南：Agent架构与项目实战
bilibili图灵课堂官方教学2026/10/18
涉及实体
相关事实
已验证重排序通常使用交叉编码器实现，将查询和候选文档拼接后同时输入，通常只对Top-50到Top-100候选重排，最终选取Top-3到Top-5送入生成模型77% 相似待验证Advanced RAG在检索前引入Query Rewriting（查询改写）和HyDE（假设性文档嵌入）优化查询质量，在检索后通过Cross-Encoder重排序和上下文压缩提升相关性77% 相似已验证重排序使用交叉编码器对查询-文档对逐一打分，精度远高于向量相似度但计算成本更高，因此只对粗排后的少量候选做精排，形成粗排+精排两阶段架构。74% 相似待验证重排序通常采用CrossEncoder架构，将查询与候选块拼接后进行相关性评分，在工业级RAG系统中已成为标准的粗排+精排两阶段架构74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1121630API
curl https://kongchang.com/api/v1/knowledge/claims/1121630MCP
get_claim(id=1121630)