待验证50% 置信解决方案精确时间
进阶RAG方案引入了查询改写（Query Rewriting）、假设文档嵌入（HyDE）、多路召回融合（Hybrid Search结合BM25稀疏检索与向量稠密检索）和交叉编码器重排序（Cross-Encoder Reranking）等技术
1
来源数
50%
置信度
长期有效
时效性
2026/7/9
首次发现
来源
Agent项目高含金量的6个核心标准，让面试官眼前一亮
bilibiliAI大模型应用实战2026/7/8
相关事实
待验证重排序（Rerank）模型如Cohere Rerank、BGE-Reranker利用Cross-Encoder架构对查询与文档相关性进行精细评分，是RAG精度优化的关键一环76% 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75% 相似待验证工业级RAG通常将向量相似度检索（ANN算法如HNSW）与BM25关键词检索结合，再通过Rerank模型（Cross-Encoder架构）对召回结果精排73% 相似待验证生产级RAG系统常采用混合检索加重排序的两阶段架构，先用稀疏检索（如BM25）召回候选文档，再用Cross-Encoder重排序精选片段72% 相似待验证Dify 在 RAG 管道中支持混合检索（向量检索 + BM25 关键词检索，通过 RRF 算法融合）以及 Reranker 重排序72% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/376971API
curl https://kongchang.com/api/v1/knowledge/claims/376971MCP
get_claim(id=376971)