RAG 真的不聪明？其实它只是缺了这一步……

在大语言模型（LLM）火热的今天，RAG（检索增强生成） 系统几乎成了标配：

• 你提问，模型先去知识库里 召回一堆候选文档；
• 然后再结合这些文档生成答案。

听起来很完美对吧？但问题是—— 召回的候选文档质量参差不齐，真正相关的往往只有少数几个。

这时候就需要一个关键角色登场了： Rerank（重排序）模型。

它的任务就是：从一堆候选文档里，精准挑出与 query 最相关的内容，并排到前面。

为什么 RAG 需要 Rerank？

想象一下：

• 用户问：“ChatGPT 是什么时候发布的？”
• 检索模块给你返回十几篇文章：有的在讲 GPT-3，有的在讲 GPT-4，有的甚至提 OpenAI 的创始人八卦……

如果没有 Rerank，模型可能胡乱引用，最后回答走偏。 而有了 Rerank，系统就能把 真正相关的文档排在前面，让生成结果更精准。

️ Rerank 的三种训练方式

既然 Rerank 这么重要，那么问题来了：它该怎么训练？ 这里有三大经典方法：Pointwise、Pairwise、Listwise。

1️⃣ Pointwise：像打分系统一样

• 输入：一个 (query, doc) 对。
• 目标：预测相关性分数，和标注对齐。
• 适合场景：入门、标注简单，先把相关和不相关区分开。

简单易上手 没直接优化排序

2️⃣ Pairwise：像 PK 一样

• 输入：同一 query 下的 (doc⁺, doc⁻)。
• 目标：保证 doc⁺ 的分数高于 doc⁻。
• 适合场景：希望模型学会相对顺序。

更贴近排序 只能学局部对比，不保证全局最优

3️⃣ Listwise：像裁判排名一样

• 输入：query + 一组候选文档。
• 目标：优化整个列表的顺序，直接对齐 NDCG/MAP 等指标。
• 适合场景：追求效果、排序指标要求高的应用。

效果最好，对准任务指标 训练复杂，标注和计算成本高

三种方式对比

总结：在 RAG 系统里怎么选？

• 如果是 快速验证原型：Pointwise 足够。
• 如果想 提高检索精准度：Pairwise 是更稳的选择。
• 如果是 线上大规模高要求应用（搜索、推荐、问答）：Listwise 才是终极解法。

一句话： Pointwise 上手快，Pairwise 更实用，Listwise 效果最好。

学习

我把大模型路线分成L1到L4四个阶段，这份大模型路线大纲已经导出整理打包了，在智泊AI。

L1阶段:启航篇丨极速破界AI新时代

L2阶段：攻坚篇丨RAG开发实战工坊

L3阶段：跃迁篇丨Agent智能体架构设计

L4阶段：精进篇丨模型微调与私有化部署

L5阶段：专题集丨特训篇