召回粗排精排：三段式RAG排序全流程

CH-11-02-047·约 19 分钟·AI应用开发·更新 2026-08-11

想象你是一家大型婚恋平台的金牌红娘，手里握着几十万份相亲档案。客户只给你一句话：“帮我找一个喜欢户外、在北京工作的程序员。” 你不可能把几十万人都请来面谈——那得聊到明年。于是你分三步走：先让前台保安凭关键词把档案快速翻一遍，筛出几千份沾边的；再让红娘助理按“职业、城市、爱好”逐条核对，挑出几十个像样的；最后你亲自约见这几十人，深聊三观、性格、未来规划，从中选出最匹配的三五个推荐给客户。体育馆里的层层筛人，就是搜索系统里的“召回、粗排、精排”三段式流水线。 RAG（检索增强生成）系统面对的文档库同样可能达到百万量级。如果每个用户问题都让最聪明的模型把所有文档读一遍，算力成本高到离谱，用户也等不起。于是工程上把“找答案”拆成三个接力棒：召回用最快的方式从百万文档中拉出几百个候选；粗排用轻量模型把候选缩到几十个；精排让大模型在这几十个里仔细比较，最终输出最相关的几个片段给大语言模型生成回答。每往下一层，模型更聪明、更慢，但候选数量急剧变少，整体开销被压到可接受范围。

岗位关联

三段式排序是 RAG 系统落地的核心工程范式。掌握它，你就能在“效果”与“成本”之间做出专业权衡，设计出支撑百万级文档库的高性能检索管线。

可视化演示
三段式总览
召回阶段
粗排阶段
精排阶段
模型选型
性能评估
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示召回粗排精排的核心机制，通过基础/核心/应用/扩展四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

召回粗排精排：三段式排三段式排序流水线的整体架构与设召回阶段：向量检索的候选快速拉核心机制可视化召回粗排精排整体架构与关键组件

三段式总览

婚恋平台的三步筛选，本质是一个“倒金字塔”漏斗：越往前走，人事越多、动作越快；越往后走，人事越少、判断越精细。RAG 排序流水线完全复刻了这个结构——召回、粗排、精排分别对应保安初筛、红娘助理核对、金牌红娘面谈，三者各司其职，缺一环都会失衡。如果直接用最精细的模型处理百万文档，就像让金牌红娘一人约见几十万人，既不现实也没必要。

三段式设计的第一层逻辑是目标拆分。召回环节只求“别漏掉对的”，粗排追求“在低成本下把明显不相关的剔掉”，精排则要“在最后几十个里排出最准的顺序”。每一级有独立的优化目标，使用不同复杂度的模型，让整体流水线同时满足“快”和“准”两个看似矛盾的要求。

从工程角度看，三段式本质是用“模型复杂度递增 × 候选数量递减”换整体延迟的数学平衡。假设每层耗时固定，总耗时几乎由最后一级的候选数量决定：

就像相亲大会，保安扫一眼几万人只要几小时，红娘助理核对接下来的几百人花一天，金牌红娘面谈最后几十人却要花一周——但整体进度由最慢的环节决定，所以必须让“最慢的环节面对最少的人”。

\text{总耗时}= \text{延迟}_{\text{召回}} + N_{\text{召回}} \times \text{延迟}_{\text{粗排}} + N_{\text{粗排}} \times \text{延迟}_{\text{精排}}

这个公式说明：精排虽然最慢，但只要候选数量从百万缩到几十，它的总耗时就受控；粗排耗时中等，却要处理几百条候选，是延迟的大头。

总耗时整条排序流水线从收到查询到给出最终候选的端到端时间。
$\text{总耗时}= \text{延迟}_{\text{召回}} + N_{\text{召回}} \times \text{延迟}_{\text{粗排}} + N_{\text{粗排}} \times \text{延迟}_{\text{精排}}$
召回项召回通常只需一次向量检索，延迟几乎固定，与候选数量无关。
$\text{延迟}_{\text{召回}} \approx \text{常数}$
粗排项粗排要对 N\_召回个候选逐一打分，所以是“数量 × 单条耗时”。
$N_{\text{召回}} \times \text{延迟}_{\text{粗排}}$
精排项精排只处理 N\_粗排个候选，尽管单条最慢，总耗时依然可控。
$N_{\text{粗排}} \times \text{延迟}_{\text{精排}}$

召回阶段

保安怎么从几万人里快速捞出“可能喜欢户外”的档案？他不可能逐字读完整简历，而是扫关键词、看标签，先把范围缩到几百人。RAG 的召回阶段也一样：面对百万级文档库，它用向量检索把 query 和 document 都编码成向量，在向量空间里找“语义距离最近”的一批文档。

向量检索的核心是相似度计算。每个文档被映射成一个固定维度的向量，查询也被映射成向量，然后计算两者之间的余弦相似度：

召回结果的候选集规模通常设定在 100～1000 条之间。为了更稳，工程上还常把向量检索和传统的 BM25 关键词检索混合起来：BM25 擅长精确匹配专有名词，向量检索擅长语义泛化，两者取并集再统一打分。就像保安既看档案上的“户外”标签，也听客户说“喜欢爬山”这种近义词——一个抓字面，一个抓意思，搭配使用才不容易漏人。召回阶段的唯一 KPI 是召回率：真正的相关文档必须尽可能出现在候选池里，否则后面再精细也无力回天。

\text{score}(q,d)=\frac{\mathbf{q}\cdot\mathbf{d}}{\lVert\mathbf{q}\rVert \lVert\mathbf{d}\rVert}

余弦相似度衡量两个向量的“方向是否一致”，值越大表示语义越接近，取值范围在 -1 到 1 之间。

向量点积把查询向量和文档向量的每一维相乘后累加，得到一个标量。
$\mathbf{q}\cdot\mathbf{d}=\sum_{i=1}^{n} q_i \times d_i$
向量模长分别计算两个向量的长度，用于归一化。
$\lVert\mathbf{q}\rVert = \sqrt{\sum_{i=1}^{n} q_i^{2}}, \quad \lVert\mathbf{d}\rVert = \sqrt{\sum_{i=1}^{n} d_i^{2}}$
余弦相似度点积除以两个模长的乘积，消除向量长度的影响，只保留方向信息。
$\frac{\mathbf{q}\cdot\mathbf{d}}{\lVert\mathbf{q}\rVert \lVert\mathbf{d}\rVert}$

粗排阶段

红娘助理拿到几百份档案后，会把“北京、程序员、户外”逐条对照，快速打个分，淘汰掉明显不合适的。粗排阶段干的正是这件事：用轻量级的 Cross-Encoder 模型对每个候选文档做相关性判断。相比召回阶段的双塔结构，Cross-Encoder 最大的不同是把 query 和 document 拼在一起送进模型，让两者在自注意力层充分交互，因此判断更准，但代价是没法预先计算文档向量，速度慢许多。

粗排模型的输入是拼接后的文本序列，输出是一个相关性分数：

粗排阶段还会把召回阶段的向量相似度分数与 CE 分数做加权融合，防止单一模型误判。例如总分数 = 0.3 × 向量分 + 0.7 × CE 分。融合后按分数排序，只保留前 50～100 条进入精排。这一步的价值在于：它用可接受的算力成本，把精排模型从面对几百条候选变成面对几十条候选，正如红娘助理先把明显不合适的人划掉，金牌红娘才不用浪费口舌。

s_{\text{CE}}=\text{CrossEncoder}([q; d])

这里的 [q; d] 表示把查询文本和文档文本拼接成一个序列。Cross-Encoder 通过深层交互捕捉 query 与 doc 之间的细粒度匹配信号。

拼接序列用分隔符把 query 和 doc 拼接成一个输入序列，让模型能看到两者的完整上下文。
$[q; d] = \text{concat}(q, \text{[SEP]}, d)$
交叉编码Transformer 的每一层都让 query 的 token 与 doc 的 token 互相 attend，捕捉“北京”和“程序员”之间的关联。
$\text{CrossEncoder}([q; d]) \in \mathbb{R}^{h}$
打分输出把最后一层输出经过线性层压缩成一个标量分数。
$s_{\text{CE}} = \mathbf{w}^{\top} \text{Enc}([q; d]) + b$

精排阶段

到了金牌红娘这里，候选人已经从几十万人缩到了几十人。她不再看标签，而是坐下来逐一深聊，甚至让几位候选人同时出现，观察他们在交流中的细微差别，最终排出最匹配的前三名。RAG 的精排阶段同理，它用大语言模型（LLM）对这几十个候选做深度排序。LLM 拥有强大的语义理解能力，能捕捉同义词、隐含意图、段落级关联，甚至能理解“喜欢户外”背后的“周末徒步、露营”等衍生场景。

精排有两种主流实现方式。第一种是打分式：让 LLM 对整个候选列表生成一个排序序列；第二种是列表式生成：直接把候选文档的 ID 列表交给 LLM，让它输出重新排序后的 ID 序列。后者可以建模“候选之间的相对关系”，而不是孤立地对每条打分：

精排阶段还要处理上下文窗口限制。LLM 无法一次性读完 50 条长文档，常见做法是分段滑窗处理：把候选切成小组，先在组内排序，再把每组冠军拉进来做最终排序，类似先分区预选、再全国决赛。精排输出的通常是最相关的 1～5 个片段，这些片段最终拼接进 Prompt，交给生成模型回答用户问题。就像金牌红娘最终只向客户推荐三个人，而不是把几十人的详细报告全甩过去。

P(o \mid q, D)=\prod_{i=1}^{n} \frac{\exp(s(d_{o_i}))}{\sum_{j=i}^{n} \exp(s(d_{o_j}))}

这个公式描述了一个列表排序概率：LLM 依序选择每个位置的文档，每次都在剩余候选中选分数最高者，越靠前的位置权重越大。

候选集合精排阶段待排序的候选文档集合 D。
$D=\{d_1, d_2, \dots, d_n\}$
排序序列概率把输出序列 o 的概率拆成每一步选中文档的条件概率连乘。
$P(o \mid q, D)=\prod_{i=1}^{n} \frac{\exp(s(d_{o_i}))}{\sum_{j=i}^{n} \exp(s(d_{o_j}))}$
分数指数化将相关性分数 s 取指数，保证概率非负且相对大小被放大。
$\exp(s(d_{o_i}))$
归一化分母每一步只在“剩余候选”中做 Softmax，因此前面选错的文档会直接影响后续排列概率。
$\sum_{j=i}^{n} \exp(s(d_{o_j}))$

模型选型

三种角色对应三类模型，各有绝活也各有软肋。双塔模型（如 Sentence-BERT）把 query 和 doc 分别编码成独立向量，可以离线把百万文档向量全部算好，在线查询时只算 query 的向量，再去做近邻搜索，快如闪电，但双方没有深层交互，精度有限——它适合当保安。Cross-Encoder 把 query 和 doc 拼在一起编码，交互充分、精度更高，但每个候选都要实时算一次，适合当红娘助理。LLM 最聪明，能理解复杂意图和长文本结构，但速度最慢、成本最高，只能用来当金牌红娘。

选型本质是算一笔“性价比账”：每多花一分算力，究竟换来了多少精度提升。可以用下面的公式来指导决策：

实际工程中，模型选型还要看文档库规模、业务时延要求、GPU 预算。百万级文档库通常坚定走“双塔召回 + CE 粗排 + LLM 精排”三段式；如果文档量只有几千，完全可以用 CE 直接一步到位，省去精排的昂贵开销。选型没有银弹，关键是让每一级模型的复杂度与它处理的候选数量匹配——保安不需要博士学位，金牌红娘也不该去门口查证件。

\text{性价比}=\frac{\text{NDCG}_{\text{新模型}}-\text{NDCG}_{\text{旧模型}}}{\text{延迟}_{\text{新模型}}-\text{延迟}_{\text{旧模型}}}

分子是排序质量的提升幅度，分母是延迟的增加幅度。如果分子增长远小于分母增长，说明换模型不划算。

效果增益新模型相比旧模型在 NDCG 指标上的提升，NDCG 是衡量排序质量的经典指标。
$\text{NDCG}_{\text{新模型}}-\text{NDCG}_{\text{旧模型}}$
成本代价新模型带来的额外延迟开销，通常以毫秒计。
$\text{延迟}_{\text{新模型}}-\text{延迟}_{\text{旧模型}}$
性价比比值两者相除得到“每增加 1 毫秒延迟换来的排序增益”，用于横向对比模型升级方案。
$\frac{\Delta \text{效果}}{\Delta \text{成本}}$

性能评估

怎么知道你的三段式流水线干得好不好？就像婚恋平台要同时考核“是否漏掉了优质客户”“推荐名单里第一名是否真的匹配”“整体排序是否稳定”，RAG 排序系统也有三大类评估指标，分别对应不同阶段的优化目标。

Recall@K 最常用于召回阶段，衡量“真实相关文档出现在前 K 个候选中的比例”。MRR（Mean Reciprocal Rank）关注第一个正确答案出现的位置：如果第一个相关文档排在首位，RR 就是 1；排在第二位，RR 就是 1/2。NDCG 则是更全面的排序质量指标，它按位置折扣累积相关度，既奖励“相关文档排前面”，也容忍“不相关文档被排到很后面”。NDCG 的计算公式为：

除了离线指标，线上工程还必须盯住 p99 时延和吞吐量。一次查询若召回耗时 30ms、粗排 80ms、精排 500ms，总时延可能接近 1 秒，对在线系统已偏慢。优化手段包括：粗排用更小的模型、精排候选限制在 10 条以内、对请求做批处理、用缓存复用相似查询的召回结果。评估不是一次性动作，而是流水线持续迭代的指南针——哪一级指标掉队，就优先优化哪一级，正如婚恋平台每周复盘：保安漏人了？红娘助理标准太松？还是金牌红娘偏好跑偏？对症下药才能让漏斗始终高效。

\text{NDCG@K}=\frac{\text{DCG@K}}{\text{IDCG@K}}, \quad \text{DCG@K}=\sum_{i=1}^{K}\frac{2^{\text{rel}_i}-1}{\log_2(i+1)}

其中 rel_i 表示第 i 个位置的相关性等级（0 表示不相关，1～3 表示相关程度递增）。IDCG 是理想情况下能达到的最大 DCG，用来做归一化。

DCG 计算每个位置的相关性增益按位置的对数做折扣，排得越靠后，折扣越大。
$\text{DCG@K}=\sum_{i=1}^{K}\frac{2^{\text{rel}_i}-1}{\log_2(i+1)}$
相关性指数用 2 的 rel 次方减 1，让高相关文档的增益远大于低相关文档。
$2^{\text{rel}_i}-1$
位置折扣除以 log2(i+1)，排名第二的文档增益只保留约 63%，排名越靠后衰减越狠。
$\log_2(i+1)$
IDCG 归一化DCG 除以理想 DCG，得到 0 到 1 之间的分数，方便跨查询比较。
$\text{NDCG@K}=\frac{\text{DCG@K}}{\text{IDCG@K}}$

AI 应用场景

企业知识库智能问答

阶段：RAG 检索排序流水线搭建

解决的问题：企业文档库动辄几十万甚至上百万篇 PDF、Wiki、工单记录。传统关键词搜索只能做字面匹配，用户用口语提问“报销流程大概多久”时，文档里写的是“费用审批周期为三个工作日”，关键词检索几乎找不到。AI 三段式排序先用向量召回拉出候选，再用粗排过滤明显不相关的旧版本文档，最后用 LLM 精排把真正描述审批周期的段落排到最前面，让问答系统给出可靠答案。

具体案例：某互联网公司搭建内部知识库助手，文档总量约 80 万篇。原始方案只用向量检索，Top1 准确率仅 42%；接入 CE 粗排后升至 61%；再引入 LLM 精排后 Top1 达到 78%。查询耗时从 2 秒压到 1.2 秒，用户满意度显著提升。

电商商品搜索排序

阶段：召回与粗排环节的工程落地

解决的问题：电商平台的商品库以亿计，用户搜索“男士运动鞋”时，系统先通过类目、品牌、文本向量召回数万商品，再用轻量排序模型按销量、库存、点击率粗排到几百个，最后把个性化偏好交给精排模型。如果没有多阶段漏斗，直接对所有商品跑复杂排序模型，算力成本会让系统直接崩溃。

具体案例：某电商平台搜索团队用“双塔召回 + 轻量 DNN 粗排 + 大模型精排”重构搜索链路，召回阶段用向量相似度快速定位相关商品，粗排阶段融合销量与文本相关性，精排阶段引入用户历史行为序列建模。结果搜索转化率提升 12%，单次搜索平均响应时间维持在 50ms 以内。

学术文献检索工具

阶段：精排阶段的深度排序优化

解决的问题：科研人员经常面对“想找某篇论文但只记得模糊想法”的困境。传统检索按标题关键词匹配，效果很差。三段式排序可以先用向量召回从千万级论文库中拉出 200 篇，粗排用 Cross-Encoder 评估标题与摘要相关性，精排则让 LLM 通读摘要、比对方法部分，输出最相关的 3 篇论文并附理由。

具体案例：某科研工具团队为论文检索加入 LLM 精排后，用户点击 Top1 论文的比例从 31% 提升到 64%，“找不到想要的文献”类投诉下降 70%。由于精排只处理 20 篇候选，单次请求额外耗时不到 1 秒。

Python 演示

python56 行

import random  class ThreeStageRetriever:    """三段式排序流水线的极简模拟：召回 -> 粗排 -> 精排"""     def __init__(self, docs):        self._docs = docs        self._k_recall = 100        self._k_coarse = 20        self._k_final = 3     @staticmethod    def _query_terms(query):        return set(query.lower().split())     def _lexical_score(self, query, doc):        q = self._query_terms(query)        d = set(doc.lower().split())        return len(q & d)     def _recall(self, query):        scored = [(i, self._lexical_score(query, d))                  for i, d in enumerate(self._docs)]        scored.sort(key=lambda x: -x[1])        return [i for i, _ in scored[:self._k_recall]]     def _coarse_score(self, query, doc):        base = self._lexical_score(query, doc)        return base + random.random() * 0.5     def _fine_score(self, query, doc):        exact = 1.0 if query.lower() in doc.lower() else 0.0        return self._coarse_score(query, doc) + exact * 2.0     def search(self, query):        recalled = self._recall(query)        coarse = sorted(recalled,                        key=lambda i: -self._coarse_score(query, self._docs[i]))        coarse = coarse[:self._k_coarse]        final = sorted(coarse,                       key=lambda i: -self._fine_score(query, self._docs[i]))        return final[:self._k_final]  if __name__ == "__main__":    random.seed(42)    docs = [        "retrieval augmented generation is a popular ai topic number " + str(i)        for i in range(1, 201)    ]    pipe = ThreeStageRetriever(docs)    result = pipe.search("retrieval generation ai")    print("final top3 docs:")    for idx in result:        print("-", docs[idx])

目的：用 200 条假文档演示召回、粗排、精排三段流水线的数据流：每级过滤掉大量候选，最终输出 Top3。

self._k_recall = 100召回阶段保留 100 个候选，模拟向量检索的规模控制。
self._lexical_score(query, doc)用关键词重叠数模拟向量相似度，衡量 query 与 doc 的相关性。
scored.sort(key=lambda x: -x[1])按分数降序排列，取出前 100 个作为候选集。
self._k_coarse = 20粗排阶段只保留 20 个候选，模拟轻量 Cross-Encoder 的缩圈效果。
base + random.random() * 0.5模拟粗排模型的排序噪声，让结果不完全依赖关键词。
exact = 1.0 if query.lower() in doc.lower() else 0.0模拟 LLM 精排对精确匹配的强偏好。
coarse[:self._k_coarse]粗排排序后截断候选，对应真实流水线中的 TopN 截断操作。
pipe.search(query)串联三段流程，返回最终 Top3 文档索引，等价于生产系统中的 RAG 精排结果。

常见误区

误区既然精排模型那么准，为什么不干脆让精排模型去处理全部百万文档？只要模型够强，召回再做过滤纯属多此一举。

正解召回阶段的核心约束是“快”和“全”。用最强模型处理百万文档，单次查询时延会从几十毫秒飙到几分钟，系统直接不可用。三段式的本质是让模型复杂度与候选数量错位匹配：最强的模型只处理最少的候选。就像金牌红娘不可能一个人面谈几十万人，她只专注服务最后那几十个精英候选人。

为何常见：初学者容易被“模型越强效果越好”吸引，忽略了工业系统的时延和成本约束，把离线评测的逻辑误搬到在线服务上。

误区粗排反正要被精排再排一遍，用最简单的打分规则糊弄过去就行，不如把精力全砸在精排上。

正解粗排是漏斗中最关键的“守门员”。如果粗排阶段把真正相关的文档截断掉了，精排模型再强也看不到它——这就像红娘助理把最合适的候选人提前淘汰，金牌红娘压根没机会见到人。粗排的质量直接决定精排的上限，必须配置足够有区分度的轻量模型，并仔细做分数融合。

为何常见：粗排的中间结果不直接呈现给用户，导致人们低估它的价值，忽略了“截断即不可逆”的漏斗本质。

误区大模型这么聪明，无论什么场景，用 LLM 做精排都能碾压小模型。

正解LLM 的优势在开放域语义理解，但在垂直领域（如法律条文、医疗指南）中，经过微调的 Cross-Encoder 往往更稳定、更快。LLM 还有上下文窗口限制，候选文档一长就放不下，而且输出可能存在随机性，直接排序结论可能抖动。选型要看业务场景：候选少、要求高、预算足时用 LLM；候选多、时延敏感时用 CE。

为何常见：宣传中“大模型最强”的刻板印象根深蒂固，让人们忽略了成本、稳定性和场景适配这些工程现实。

误区召回、粗排、精排都是排序模型，用同一个指标（比如 NDCG）一起调优就好，不需要区分。

正解三个阶段的目标完全不同。召回阶段优化 Recall@K，只关心“相关文档有没有被捞进来”；粗排阶段优化 Recall@K 与精排前截断质量，追求“用最少算力过滤最多噪声”；精排阶段才优化 MRR、NDCG 这类“顺序是否正确”的指标。用错指标会导致整条流水线失衡——比如召回阶段死磕 NDCG，反而可能把候选池缩得太小，漏掉长尾相关文档。

为何常见：排序任务在形式上相似，让初学者误以为目标也一致，忽略了流水线中不同环节的角色分工。

面试题

Q1. 在 RAG 三段式排序中，召回阶段的首要优化目标是什么？

单选题 · easy

A.最大化精排模型效果
B.提高检索召回率← 正确答案
C.最小化计算成本
D.提升排序稳定性

答案：B。召回阶段负责把相关文档尽可能多地捞进候选池，因此首要指标是召回率（Recall）。若召回漏掉相关文档，后续粗排和精排再强也无济于事。A 是精排目标，C 是系统约束而非召回核心目标，D 是排序稳定性问题，均非召回核心。

Q2. 召回阶段常将向量检索与 BM25 混合使用，主要目的是什么？

单选题 · mid

A.让模型参数量更小
B.同时捕捉语义相似与字面匹配← 正确答案
C.减少候选文档数量
D.替代精排阶段

答案：B。向量检索擅长捕捉语义相近但字面不同的表达，BM25 擅长精确匹配专有名词、编号等。两者混合取并集，可以兼顾“意合”与“形合”，减少漏召回。A 与模型参数量无关，C 反而可能增加候选数量，D 是错误职责定位。

Q3. 关于 Cross-Encoder 粗排模型，下列说法正确的有哪些？

多选题 · mid

A.将查询和文档拼接后编码← 正确答案
B.可以离线预计算文档向量
C.比双塔模型交互更充分← 正确答案
D.比大模型精排速度更快← 正确答案

答案：ACD。Cross-Encoder 把 query 和 doc 拼接后送入模型（A 对），因此交互充分（C 对），但代价是无法离线缓存 doc 向量（B 错）。它的模型规模通常远小于 LLM，速度更快（D 对）。B 正是双塔模型的优势，与 Cross-Encoder 相反。

Q4. 精排阶段一般只处理多少个候选文档？

单选题 · easy

A.1～5 个
B.5～50 个← 正确答案
C.100～1000 个
D.全部文档

答案：B。精排使用大模型，单条处理成本极高，因此候选数量必须严格控制。工业实践通常让粗排输出 50～100 条，精排在此基础上再缩到 5～50 条。A 是最终输出给生成模型的片段数，C 是召回候选规模，D 完全违背漏斗原则。

Q5. 精排阶段应对 LLM 上下文窗口限制的常见手段有哪些？

多选题 · hard

A.截断候选文档的开头部分
B.分组滑窗内部排序← 正确答案
C.逐组冠军汇总再排序← 正确答案
D.增加模型最大 token 数

答案：BC。工程上常把候选分成小组，每组在窗口内排序，再让各组冠军进入下一轮（B、C 对）。A 直接截断开头可能丢掉关键信息，D 增加窗口会显著提高算力成本，并非拿来即用的常规手段。

Q6. 双塔模型为什么适合召回阶段？

单选题 · mid

A.查询和文档交互充分
B.支持离线预计算文档向量← 正确答案
C.模型参数规模最大
D.不需要训练即可使用

答案：B。双塔模型分别编码 query 和 doc，文档向量可以离线算好存进向量数据库，在线查询只需计算 query 向量并做近邻搜索，速度极快。A 是 Cross-Encoder 的优势，C 与实际不符，D 任何排序模型都需要训练。

Q7. MRR 指标主要衡量排序系统的什么能力？

单选题 · mid

A.第一个相关结果出现的位置← 正确答案
B.所有相关结果是否都被召回
C.排序结果的整体相关性分布
D.系统响应耗时是否稳定

答案：A。MRR 是“第一个正确结果排在首位得 1 分，排在第二位得 1/2”的倒数平均，它关注第一个正确答案的位置，常用于问答与搜索场景。B 是召回率，C 是 NDCG 关注的，D 是工程时延指标。

Q8. 关于 NDCG 指标，下列说法正确的是哪些？

多选题 · hard

A.对排在后面的相关性增益做对数折扣← 正确答案
B.需要用理想排序的 DCG 做归一化← 正确答案
C.完全不考虑相关文档的位置
D.更适合单一正确答案场景

答案：AB。NDCG 用 log2(i+1) 对位置做折扣（A 对），并用 IDCG 归一化使不同查询可比（B 对）。它专门依赖位置信息（C 错），且面向多级相关性标注、可容纳多个相关结果，而非单一正确答案（D 错，单一答案更常用 MRR）。

Q9. 某 RAG 系统精排耗时占总时延的 80%，在保证精排质量的前提下最合理的优化手段是？

单选题 · extreme

A.更换更大的精排模型
B.把粗排候选从 100 压缩到 30← 正确答案
C.完全去掉召回阶段
D.将精排模型替换为双塔模型

答案：B。精排耗时与候选数量线性相关，减少进入精排的候选数量能直接压缩最大头的时延。粗排更严格地把候选从 100 缩到 30，精排只需处理 30 条，质量损失可接受。A 会放大耗时，C 破坏流水线结构，D 用双塔做精排会损失精度，违背“保证质量”前提。

Q10. 三段式排序流水线的核心设计思想是什么？

单选题 · easy

A.所有阶段使用同一个最强模型
B.模型复杂度随候选数量递减而递增← 正确答案
C.阶段越多，系统越慢
D.召回阶段保证排序精度

答案：B。漏斗原则是“每往下一层，候选数量变少，模型复杂度上升”。召回用最快模型处理海量候选，精排用最强模型处理极少数候选，从而在整体时延可控的前提下逼近最优效果。A 会让系统崩溃，C 是表象而非目的，D 混淆召回与精排的目标。