重排序器

重排序器是一种模型，它会在 RAG 流程中对向量搜索返回的 top-k 结果进行精炼，重新排列，让真正最相关的文本块排到最前。一次检索是"快速找到大量候选"，而重排序则是"挑出真正值得引用的那些"。

为什么重要

仅靠向量检索会混入一些语义相似但其实并非答案的文本块。Cohere 和 Anthropic 的研究表明，在 RAG 流程中加入重排序器平均能将检索准确度提升 15% 到 40%，并显著降低 LLM 最终回答中的幻觉。到 2026 年，主流的 AI 搜索引擎（Perplexity、ChatGPT Search、Gemini AI Mode）内部都使用了重排序器。

工作原理

RAG 流程通常采用两阶段检索：

1. 检索：向量数据库按嵌入相似度返回 top 50 到 100 个文本块，速度快但较粗糙。
2. 重排序：重排序模型将查询和候选放在一起打分，缩减到 top 3 到 10 个。速度较慢，但准确得多。
3. 生成：将排名靠前的文本块注入 LLM 的上下文并进行生成。

双编码器 vs 交叉编码器

双编码器（Bi-encoder）：嵌入模型所使用的方式。查询和文档被分别编码成向量再进行比较。速度快，但会遗漏查询与文档之间的细粒度关系。

交叉编码器（Cross-encoder）：重排序器所使用的方式。查询和文档被一起送入，在一次前向传播中打分。速度较慢，但准确得多。

两阶段检索的精髓就在于结合二者之长：用快速的双编码器做初筛，用精确的交叉编码器做重排序。

主流重排序器

• Cohere Rerank：托管 API，支持多语言，是生产级 RAG 中最常见的选择
• Voyage rerank：Anthropic 推荐的高性能重排序器
• BGE Reranker：开源，支持多语言（包括韩语）
• Jina Reranker：开源，在长文档上表现出色
• LLM 作为重排序器：直接用 GPT-4o 或 Claude 来重排序。准确度最高，成本也最高

对 GEO 的意义

重排序器考量的不只是语义相似度，这会影响你的写法。

直接的答案句：重排序器会在查询和文本块的关系中识别"答案性"。讲"什么是 X？"的一节，应该以"X 是……"开头。

具体性与实用性：包含具体数字和示例的文本块，比抽象的解释获得更高的重排序得分。

模仿用户查询的方式：看起来像真实用户向 AI 搜索提出的问题的小标题，更容易被重排序器匹配。

削减噪声：冗长或重复的段落得分更低。简短、自成一体、主旨前置的段落更占优势。

Sources:

• Rerank - Cohere 文档
• 通过重排序改进检索 - Anthropic
• 双编码器 vs 交叉编码器 - Sentence Transformers