Например, retriever нашел 30 chunks по запросу клиента. Среди них есть точный регламент, старая инструкция, похожий FAQ и несколько общих статей. Если сразу передать первые 5 результатов в LLM, модель может получить не лучший контекст. Rerank помогает поднять точный регламент выше и убрать слабые фрагменты вниз.
Rerank может выполняться отдельной моделью-reranker, LLM-оценкой, правилами по свежести документа, гибридной формулой или комбинацией сигналов. Главное отличие: первичный поиск оптимизирован на скорость и широкий охват, а rerank — на точность итогового порядка.
Для ИИ-агентов rerank особенно полезен в базе знаний, юридических документах, инструкциях поддержки, внутреннем поиске и RAG-памяти. Он помогает не забивать context window похожим, но бесполезным текстом, а передавать модели те источники, которые действительно помогают ответить.
Примеры
- Система нашла top-30 фрагментов из базы знаний, затем делает rerank и передает модели только top-5 лучших chunks.
- После vector search общий FAQ оказался выше точной инструкции. Rerank поднимает инструкцию наверх.
- В юридическом поиске rerank помогает выбрать конкретный пункт договора, а не общий раздел с похожими словами.
- Rerank учитывает не только похожесть, но и свежесть документа, статус published и наличие цитируемого источника.
- Если после rerank все результаты получили низкий score, агент просит уточнить вопрос вместо ответа наугад.
Где используется
- Улучшать качество RAG-ответов после быстрого первичного поиска.
- Передавать в context window только самые полезные chunks.
- Снижать риск ответа по похожему, но неверному документу.
- Поднимать свежие и утвержденные источники выше старых или черновых.
- Комбинировать semantic search, keyword search и дополнительные сигналы.
- Улучшать качество цитат и ссылок на источники.
- Настраивать поиск по базе знаний, договорам, инструкциям и тикетам.
- Сравнивать качество retrieval pipeline через evals до и после rerank.
- Балансировать качество, задержку и стоимость поиска в продакшене.
Связанные термины
Citation в ответе AI
Cosine similarity
Document chunk
Document Store
Evals
Hybrid search
RAG
Reranker
Частые вопросы
Чем rerank отличается от reranker?
Rerank — это действие или шаг в пайплайне: пересортировать результаты. Reranker — компонент или модель, которая выполняет это действие.
Чем rerank отличается от reranking?
По смыслу они близки. Reranking чаще называют процесс или подход, а rerank — конкретную операцию: взять результаты и пересортировать их.
Зачем делать rerank после vector search?
Vector search быстро находит похожие фрагменты, но не всегда выбирает самые полезные. Rerank помогает поднять фрагменты, которые точнее отвечают на вопрос.
Сколько документов отправлять на rerank?
Часто берут top-20, top-30 или top-50 после первичного поиска, а после rerank оставляют top-3 или top-5 для LLM. Точное число зависит от базы, задержки и стоимости.
Когда rerank не нужен?
Если база маленькая, документы хорошо структурированы, а первичный поиск стабильно находит правильный источник, rerank может быть лишним усложнением.
