第21章：Rerank 重排与召回质量优化

定位：把"可能相关"变成"最值得交给模型"。
源码关联：llama_index.core.postprocessor。
实战目标：为 FAQ 问答系统加入重排层，将 Top 3 命中率从基线提升到可量化目标。

1. 项目背景

某电商公司的 FAQ 问答系统每月处理 10 万+ 用户咨询。检索器每天兢兢业业地返回 top_k=10 个候选文档交给 LLM 合成答案，表面上系统运转正常，但运营团队对本月的 500 条用户反馈做了逐条分析后，发现了一个令人不安的模式：

真正有用的答案往往排在检索结果的第 5–8 位，而前 3 位经常是"看起来相关但其实不对"的文档。

以退货场景为例。用户问"怎么退货"，向量检索把《换货政策》排在第 1 位、《7天无理由退货》排在第 4 位、《退货流程与时效说明》排在第 8 位——因为"换货"和"退货"在语义空间里距离极近，Embedding 模型把换货政策推到了首位。LLM 接收到这批排序结果后，更倾向于关注 Prompt 中靠前的文档（即学术界公认的"位置偏见 / Lost in the Middle"现象），于是生成了一段关于换货流程的回答。用户照做后发现根本没用，回头给系统打了个一星差评。

用户提问"怎么退货" → 向量检索 top_k=10 → 第1位：换货政策（向量相似度 0.91）← 语义近似但答非所问 第2位：退款到账时间（0.8