待验证50% 置信事实精确时间
Rerank（重排序）是RAG多路召回后的精排环节，用于对候选文档与问题的相关性进行更精细的打分。
1
来源数
50%
置信度
长期有效
时效性
2026/10/15
首次发现
来源
涉及实体
相关事实
待验证文本分块策略、检索召回数量（Top-K）、重排序模型（Reranker）是影响RAG系统最终效果的三个关键变量77% 相似已验证重排序（Reranking）技术先用粗检索召回大量候选片段，再用精排模型重新评分，只保留最相关内容送入模型75% 相似待验证在RAG流程返回大量候选文档片段时，可先按相关性排序再截取前3-5项传入大模型以控制输入长度74% 相似待验证召回加重排（Recall + Rerank）先用 embedding 或关键词检索召回 Top 10 候选，再交给大模型做最终裁决，与RAG思路一致73% 相似已验证CRAG在标准RAG基础上增加了评估-纠错机制：先对检索到的文档进行相关性打分，若分数低于阈值，则触发网络搜索或重写查询等纠错步骤72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1036751API
curl https://kongchang.com/api/v1/knowledge/claims/1036751MCP
get_claim(id=1036751)