首页/AI/RAG 与向量库速查/重排 top_n 与候选池调优

重排 top_n 与候选池调优

重排的收益取决于候选池与 top_n 的搭配:候选池要能覆盖答案片段(看召回率),top_n 决定进上下文的数量(看重排准确率与生成端消耗);两者在评测集上各自扫参。

RAG 与向量库速查AI更新于 2026-10-12

扫参脚本骨架

扫参脚本骨架
for pool in (20, 50, 100):
    hits = retrieve(q, top_k=pool)
    pool_recall = recall_of(hits, gold)
    for n in (4, 8, 12):
        top = rerank(q, hits, top_n=n)
        print(pool, n, pool_recall, eval_generation(q, top))
先看「答案片段是否在候选池内」:不在池内的答案,重排再准也救不回来。

易错点

  • 只调 top_n 不扩候选池,上限被粗排锁定
  • 上下文条数已增加却仍按旧提示词模板,模型注意力被稀释

数据来源与参考

  • Cohere 官方文档(Rerank Best Practices)
  • Pinecone 官方文档(Rerankers 概念)
​‌‌​​‌​​​‌‌​‌‌‌‌​‌‌​​​‌‌​‌‌‌​​‌‌​​‌​‌‌‌​​‌‌‌​​​‌​‌‌​‌​​‌​‌‌‌​​​‌​‌‌​‌​​‌​‌‌​​​‌‌​‌‌‌​‌​​​‌‌​‌‌‌‌​​‌​‌‌‌​​‌‌​​​‌‌​‌‌​‌‌‌‌​‌‌​‌‌​‌