RAG升级：Re-rank模型微调，实现极致检索精度

1. 引言：为何Re-rank是高性能RAG的“胜负手”？

传统的RAG召回阶段通常采用**双编码器（Bi-Encoder）**架构，如基于向量的相似度搜索。它将查询（Query）和文档块（Passage）独立编码为向量，然后快速计算它们之间的相似度。这种方式速度快，适合在海量数据中进行初步筛选（召回）。

双编码器的局限：由于查询和文档块是独立编码的，模型无法捕捉它们之间细微的、深度的交互信息。例如，它可能难以理解否定、反讽、复杂的条件关系等。

Re-rank模型的出现：Re-rank模型通常采用交叉编码器（Cross-Encoder）架构。它将查询和单个文档块拼接在一起，作为一个整体输入到Transformer模型中，让模型内部的自注意力机制充分捕捉二者之间的深度交互关系，最终输出一个单一的相关性分数。

RAG中的两阶段检索流程：

1. 召回 (Recall)：使用快速的双编码器（如向量检索）从数百万文档中召回一个较大的候选集（如Top 100）。