·tian
RAG 阈值固定在了绝对分值上，而 Embedding 升级却悄然改变了分布
当 Embedding 升级悄然改变了重排序器的分值分布时，固定的阈值就变成了一个完全不同的过滤器 —— 而性能倒退就隐藏在那个从未被修改过的数字里。
rag
retrieval
reranking
monitoring
+1·tian
重排序才是核心：为什么检索系统的瓶颈从来不在索引
大多数团队在向量索引调优上投入过多，而在重排序层投入不足。决定你的 RAG 系统是提供准确结果还是产生幻觉的是排序步骤，而非索引。
insider
rag
reranking
vector-search
+2·tian
RAG 位置偏差：为什么分块顺序会影响你的答案
检索正确性还不够——你的分块出现在提示词中的位置决定了模型实际使用哪些内容。本文探讨生产环境 RAG 系统中位置偏差的工作原理及应对方法。
insider
rag
llm
retrieval
+2·tian
重排序器（Reranker）鸿沟：为什么大多数 RAG 流水线忽略了最重要的一层
大多数 RAG 流水线在向量相似性搜索之后就停止了，并疑惑为什么准确率停滞不前。重排序器（Reranker）就是那层缺失的关键——本文将探讨跳过它的代价，以及如何判断这种权衡是否值得。
rag
retrieval
reranking
production-ai
·tian
实战交叉编码器重排序：余弦相似度遗漏了什么
向量ANN搜索找到的是语义相邻的块，而不一定是最有用的块。通过叠加交叉编码器重排序、MMR和BM25混合评分来弥合检索质量差距——附上告诉你何时值得投入的延迟计算。
rag
retrieval
reranking
vector-search
·tian
当 Embedding 不够用时：混合检索架构的决策框架
一个实用的框架，涵盖了何时将 BM25 与稠密 Embedding 结合、如何在不破坏召回率的情况下处理元数据过滤，以及何时交叉编码器重排序值得投入延迟成本。
rag
retrieval
embeddings
bm25
+1·tian
生产级检索技术栈：为什么纯向量搜索会失败以及应对策略
纯向量搜索在处理精确关键词、罕见术语和多约束查询时表现不佳。本指南将介绍如何通过 BM25 混合搜索、交叉编码器重排序和阶段级评估指标来构建生产级检索技术栈。
rag
retrieval
hybrid-search
vector-search
+1