一、面试题目
面试官：请解释 RAG 检索优化三大核心手段：多路召回、混合检索（向量 + 关键词）、重排序 Reranker的原理、作用、解决什么问题、标准落地流程。
二、知识储备
1. 整体背景
纯向量检索存在短板：
- 关键词精确匹配容易丢
- 语义相近但主题不相关容易被误召
- 单次召回靠前结果不一定最优
所以工业级 RAG 标配三层优化：多路召回 → 混合检索 → Reranker 重排序
2. 多路召回 Multi-way Recall
原理
同时用多种检索策略各自独立召回一批结果，再合并去重。常见多路：
- 向量语义召回
- 关键词分词召回
- 标题 / 摘要精确匹配
- 历史相关上下文召回
- 元数据过滤召回
作用
- 单一路检索总有盲区，多路互补
- 扩大候选池，不漏掉相关文档
- 提升高相关文档进入候选集合的概率
解决问题
- 单一检索策略召回不全
- 专业术语、专有名词向量匹配不准
- 语义相近但不相关内容混入
工程做法
每路召回 Top10～Top20，合并去重后得到候选池 Top30～Top50。
3. 混合检索 Hybrid Search（向量 + 关键词）
原理
向量语义检索+关键词倒排检索（BM25）结合：
- 向量：抓语义相似
- BM25 / 关键词：抓词精确匹配、专有名词、专业术语
再通过分数加权融合、归一化后排序。
作用
- 向量擅长语义，不擅长精确词条
- 关键词擅长精确命中，不擅长语义理解
- 两者互补，兼顾语义 + 精准
解决问题
- 专业名词、编号、合同号、工单号向量召回不准
- 纯向量容易召回语义相似但无关内容
- 纯关键词无法理解同义问句
常用融合方式
- 分数归一化 + 权重加权
- 各取 TopN 合并，再交给 Reranker
4. 重排序 Reranker
原理
把多路 / 混合检索出来的粗排候选集（30～50 条），送入专门的Reranker 模型，逐一对「问题 - 段落」做相关性打分，重新精确排序。
和 Embedding 区别
- Embedding：粗粒度全局语义匹配
- Reranker：细粒度精细相关性判别，理解问句和段落细节逻辑
作用
- 剔除语义相近但实际无关的噪声
- 把真正高相关片段顶到前排
- 大幅减少 RAG 幻觉，提升问答精准度
解决问题
- 向量粗排靠前但实际不相关
- 候选集冗余多、干扰信息多
- 大模型拿到劣质上下文容易乱答
工程落地标准流程
用户问题→ 多路召回（向量 + 关键词 + 标题）→ 混合检索合并去重（候选 30～50）→ Reranker 精排打分→ 截取 Top3～Top7 优质上下文→ 送入 LLM 生成答案
5. 三者关系 & 面试必背总结
- 多路召回：广撒网，保证不漏，扩大候选池
- 混合检索：向量 + 关键词互补，兼顾语义 + 精准
- Reranker 重排：精筛精选，保证不杂、不乱，给 LLM 高质量上下文
工业级 RAG 标准架构：多路召回 → 混合检索融合 → Reranker 重排序 → 切片上下文组装 → LLM 生成
三、破局之道（面试满分话术）
检索优化的核心逻辑是：先多招、再融合、后精排。多路召回负责兜底不遗漏，混合检索解决向量和关键词各自短板，Reranker 做细粒度精准筛选。三者组合，是解决 RAG 召回不准、幻觉严重的标配方案，也是企业生产级 RAG 必须落地的标准架构。
四、极简伪代码 Python / JS
Python
# 1. 多路召回 def recall_multi_way(query): vec_res = vector_search(query, top=20) bm25_res = bm25_search(query, top=20) title_res = title_search(query, top=10) # 合并去重 return deduplicate(vec_res + bm25_res + title_res) # 2. 混合检索分数融合 def hybrid_merge(vec_list, bm25_list): # 归一化 + 加权 return weighted_sort(vec_list, bm25_list, w1=0.6, w2=0.4) # 3. Reranker 重排 def rerank(query, candidate_list): return reranker_model.score_sort(query, candidate_list) # 完整链路 query = "公司报销流程是什么" candidates = recall_multi_way(query) hybrid_list = hybrid_merge(candidates, candidates) final_top = rerank(query, hybrid_list)[:5]JavaScript
// 多路召回 function recallMultiWay(query) { const vecRes = vectorSearch(query, 20); const bm25Res = bm25Search(query, 20); const titleRes = titleSearch(query, 10); return deduplicate([...vecRes, ...bm25Res, ...titleRes]); } // 混合加权 function hybridMerge(vecList, bm25List) { return weightedSort(vecList, bm25List, 0.6, 0.4); } // 重排序 function rerank(query, candidateList) { return rerankerModel.scoreSort(query, candidateList); } // 完整链路 const query = "公司报销流程是什么"; const candidates = recallMultiWay(query); const hybridList = hybridMerge(candidates, candidates); const finalTop = rerank(query, hybridList).slice(0,5);
