🧑💻 面试官：用户问退款例外，正确条款已经被检索到了，但模型还是没答对。你要加 Rerank 吗？
🙋♂️ 我：先看正确条款停在哪一层。如果它在召回的前 20 条里，却排在第 17 位，而最终只给模型前 5 条，重排可能有用。
🧑💻 面试官：如果前 20 条里根本没有正确条款呢？
🙋♂️ 我：那 Rerank 无法凭空补出它。应该回去检查解析、切片、过滤或召回，而不是给空候选池加一个更强的排序器。
🧑💻 面试官：把候选扩大到 1000 条再重排，总能解决吧？
🙋♂️ 我：未必。候选变多会增加延迟、费用和噪声。要在固定问题集上找合适的候选深度和最终片段数量，确认答案真的改善了。
先问“证据有没有进候选池”，再问“它有没有排进最终上下文”。这两个问题分别属于召回和重排。
面试速答（60 秒版）
Rerank 就是对已经检索出来的一批候选，结合用户当前问题重新排序。召回阶段要尽量把可能有用的材料找进来；重排阶段再从这些材料中挑出更值得放进模型上下文的几条。
例如正确条款在 Top 20 里，但原排序排到第 17，系统只取前 5 条给模型，这时重排有机会把它提上来。可如果 Top 20 根本没有目标条款，Rerank 不会凭空生成证据，问题还是出在召回链路。
上线时要同时调整召回候选数和最终保留数，用带标准证据的问题集看目标条款进入最终上下文的比例，再看答案质量、延迟和成本。不是看到“加 Rerank 后相关分数更高”就宣布有效。
知识点详解：先把证据找来，再决定给模型看哪条
为什么第一阶段通常不直接精排全库
一个知识库可能有大量片段。查询时先用向量、关键词或混合检索快速拿出一小批候选，再对这批候选做更细致的查询—片段比较。这就是常见的两阶段结构。
假设召回了 20 段政策文字，真正包含退款例外的段落排在第 17 位。生成模型最终只能收到前 5 段，那么“检索命中”在日志里是真的，“模型没看到关键证据”也是真的。重排要解决的是后一件事：从已有候选里重新判断哪些段落更贴合这次问题。
召回漏了，重排也无能为力
如果目标段落在 OCR 时就没解析出来，或者切片把条件拆散，或者权限过滤误删了它，后面再强的 Rerank 都看不到它。排查时要保留候选列表与最终上下文，确认片段究竟在第几步消失。
另外，重排给出的“相关”也不等于“事实正确”。一条过期政策可能很相关，仍要做版本和来源检查。不要把排序模型当成业务裁判。
K 和 N 是两个不同的取舍
设第一阶段取 K 条、重排后留 N 条。K 太小，目标证据进不来；K 太大，重排时间和费用上升，也可能把噪声带进来。N 太小，完整条件可能被截掉；N 太大，生成上下文又会膨胀。
因此先用标注问题看目标片段在 Top K 里的召回，再看它经过 Rerank 后能否进入 Top N，最后看答案是否忠实于证据。三层结果分开记录，才能知道哪一步真的值得花钱。
面试官继续追问
重排后的最高分很高，可以直接回答吗？
不可以。相关分数只是排序信号，还要检查片段版本、权限、完整条件和模型最终回答。分数阈值需按当前任务校准。
Rerank 一定会改善最终答案吗？
不一定。若原排序已足够好，或者候选里本来没有答案，加重排只增加成本。要做有／无重排的同集对比。
召回有两段互补证据，重排只留下了一段怎么办？
这说明最终上下文组装也要评测。可以调整 N、按文档结构回溯相邻条款，或在重排后检查关键条件是否被一起保留。
面试速记卡
- 召回：把可能有用的证据找进候选池。
- Rerank：对已有候选按当前问题重新排序。
- 漏召回：目标不在候选里，重排补不回来。
- 两个参数：候选 K 与最终保留 N，要分别验证。
- 最终标准：证据进入上下文并改善答案，而非分数好看。
