一句话总结：生产 RAG 检索链路 = 混合检索（向量语义 + BM25 精确词）→ RRF 融合 → 重排；两阶段"混合+重排"效果全面超过单路（Recall@5 0.816 / MRR@3 0.605），评估靠 Recall@K / MRR / nDCG@K 逐级对比。

为什么混合（面试默写）

检索路	擅长	短板
稠密向量	语义等价（"如何退款"↔"退货流程"）	精确词/标识符弱
稀疏 BM25	高区分度标识符（错误码、型号、专名）	无语义理解

• 融合是"语义 + 精确"互补——召回率显著提升

融合算法

• RRF（倒数排名融合）：不看分数看排名，天然消除量纲差 RRF_score(d) = Σ 1/(k + rank_i(d))
• 或 alpha 加权（Weaviate）：alpha=1 纯向量 / 0 纯 BM25 / 中间加权

重排（Rerank）

• Cross-Encoder 对候选二次打分，过滤噪音文档
• 实测（腾讯云案例，MRR）：仅向量 0.62 → RRF 混合 0.71 → +重排 0.79
• 另一案例：Recall@10 +22%、MRR +25%

检索评估指标（必背）

指标	含义	关注点
Recall@K	Top-K 含答案块比例	有没有召回对
MRR	第一个相关块排多靠前	prompt 有长度限制，靠前才用得到
nDCG@K	分级相关性排序质量	多相关块场景
Coverage	多少查询 Top-K 有相关块	覆盖率

• 逐级观测：仅 BM25 → 仅稠密 → 融合 → 融合+重排，看召回提升在哪一级
• 再往上是业务指标：答非所问率、用户追问率

面试要点

• 能讲为什么混合（语义 vs 精确互补）与 RRF 原理
• 能默写四个检索指标
• 能说出"混合+重排"两阶段最优
• 能讲评估链路（逐级对比召回）

相关概念

• AI基础概念-RAG检索增强生成 — RAG 原理
• [AI-Agent-向量数据库](/学习笔记/AI技术/AI Agent/AI-Agent-向量数据库) — 向量检索底座
• [AI-Agent-AgenticRAG与高级检索](/学习笔记/AI技术/AI Agent/AI-Agent-AgenticRAG与高级检索) — 检索智能化
• [AI-Agent-评测指标与评估流程](/学习笔记/AI技术/AI Agent/AI-Agent-评测指标与评估流程) — 检索指标与门禁