第8章 重排先从可检查的规则开始

标题重合是一项特征

实现先计算去重查询词项与文档标题词项的交集，除以查询词项数量，得到 title_overlap。开启重排时，按标题重合降序，再按 RRF 降序，最后用片段主键稳定打破平局。关闭时，标题特征不参与优先级，主要依据 RRF。

这不是把两个数加权平均，而是字典序排序。一个标题重合更高的候选，即使融合分数稍低，也会排到前面。这个选择简单直观，也可能过度偏好通用标题。例如“报销说明”标题很相关，但正文只有流程，真正的金额表可能在标题较弱的附件中。

因此，书中的 rerank=True 明确表示标题规则重排，不是交叉编码器、学习排序或 LLM 判断。代码没有加载重排权重，报告也没有把规则特征说成模型推理。将来引入实际重排模型，应分别版本化权重、输入模板、长度截断和排序策略。

把顺序变化与命中变化分开

评估一个重排器，至少需要看重排前的候选覆盖和重排后的首个相关位置。若相关文档已经在候选池里但顺序靠后，重排可能改善 MRR；若从未进入候选池，重排没有机会补救。只比较最终答案是否“看起来更好”，会把召回与排序混为一谈。

随书评估默认开启这条规则，JSON 明确记录 rerank: true。当前报告没有单独设计足够丰富的重排困难集，因此不能据此宣称标题规则获得了普遍提升。evaluate(index, mode, rerank=False) 保留了做对照的入口，读者扩充标签以后可以再比较，而不是从本书的小样例推导收益。

去重发生在不同粒度

候选池以片段为单位；评估先按文档去重；摘录则跳过同文档同版本的重叠区间。这三个操作目的不同。候选去重避免完全重复对象，文档去重避免排名指标被相邻片段灌满，区间去重避免回答反复输出同一段文字。

单纯按 doc_id 只保留一个片段，可能丢掉一篇制度中分别解释申请资格和金额上限的两段必要证据。因此回答实现允许同篇文档中不重叠的片段进入结果，但仍不能把它们描述为两个独立来源。若业务要求多来源交叉核查，需要额外的源对象身份与独立性规则。

还要注意摘录数量上限。默认两条证据限制输出长度，不保证两条足够覆盖复杂问题。返回两段原文只是一个可核查的检索产物，距离自然语言的完整答案仍有业务判断距离。

好的重排设计会留下可反查的名次、特征和版本。发生错误时，工程师应能指出哪条规则把哪份文档提前了，而不是只说“系统认为它相关”。下一章把这些候选变成可以复核的引用。