Abgerufene Ergebnisse reranken
Steigern Sie die Genauigkeit von RAG, indem Sie Kandidaten aus der anfänglichen Vektorsuche mit Cross-Encoder-Modellen neu ordnen, bevor Sie den Kontext an das LLM übergeben.
Abgerufene Ergebnisse reranken ist eine kostenlose Vector Databases: Pinecone, Weaviate & pgvector-Lektion auf CoddyKit. Dies ist Lektion 4 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Vector Databases: Pinecone, Weaviate & pgvector-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
The Reranking Idea
Vector search is fast but approximate. Reranking takes the top candidates and reorders them with a more accurate, slower model — the two-stage retrieve-then-rerank pattern.
Bi-Encoder vs Cross-Encoder
Bi-encoders embed query and document separately (fast, used for retrieval). Cross-encoders score query+document together (slow, far more accurate) — ideal for reranking a small set.
Two-Stage Pipeline
Step 1: retrieve top 50 with the vector DB. Step 2: rerank those 50, keep the top 5. You get cross-encoder quality at near vector-search speed.
candidates = vector_db.search(query, k=50)
ranked = reranker.rank(query, candidates)
top = ranked[:5]Using a Cross-Encoder
A cross-encoder takes pairs and outputs a relevance score. Higher means more relevant.
from sentence_transformers import CrossEncoder
model = CrossEncoder('cross-encoder/ms-marco-MiniLM-L-6-v2')
scores = model.predict([(query, doc) for doc in candidates])Sorting by Score
Pair each document with its score and sort descending to produce the final order.
ranked = sorted(zip(candidates, scores), key=lambda x: x[1], reverse=True)
for doc, score in ranked[:5]:
print(round(score, 3), doc[:40])Hosted Reranking APIs
Services like Cohere Rerank and Jina offer hosted rerankers via API, removing the need to self-host a model.
POST /v1/rerank
{ "query": "...", "documents": [...], "top_n": 5 }Choosing Candidate Count
Retrieve enough candidates that the true best answer is in the set (high recall), but not so many that reranking gets slow. 20-100 is typical.
Latency Trade-offs
Reranking adds latency proportional to candidate count. Cache results, batch the cross-encoder calls, and tune the candidate count to your SLA.
Reranking + Filters
Apply metadata filters during retrieval, then rerank only the filtered set. This keeps the reranker focused on valid candidates.
Measuring the Gain
Compare nDCG or hit rate with and without reranking on a labeled set. Reranking commonly delivers a large accuracy boost on noisy corpora.
When to Skip It
If your corpus is small and clean, or latency is critical, plain vector search may suffice. Reranking pays off most on large, diverse datasets.
Quick Check
Test your reranking knowledge.
Recap
You learned the retrieve-then-rerank pattern, the difference between bi- and cross-encoders, how to score and sort candidates, and when reranking is worth its latency cost.
Häufig gestellte Fragen
Ist die Lektion „Abgerufene Ergebnisse reranken“ kostenlos?
Ja — der vollständige Text von „Abgerufene Ergebnisse reranken“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Vector Databases: Pinecone, Weaviate & pgvector-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Vector Databases: Pinecone, Weaviate & pgvector-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Abgerufene Ergebnisse reranken“?
Steigern Sie die Genauigkeit von RAG, indem Sie Kandidaten aus der anfänglichen Vektorsuche mit Cross-Encoder-Modellen neu ordnen, bevor Sie den Kontext an das LLM übergeben. Du übst Vector Databases: Pinecone, Weaviate & pgvector mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Vector Databases: Pinecone, Weaviate & pgvector zu starten?
Keine Vorkenntnisse erforderlich. Vector Databases: Pinecone, Weaviate & pgvector auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 4 von 4.
Wie lange dauert die Lektion „Abgerufene Ergebnisse reranken“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Vector Databases: Pinecone, Weaviate & pgvector-Lektion Code schreiben und ausführen?
Ja. Jede Vector Databases: Pinecone, Weaviate & pgvector-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Techniken zur Ab92frageumwandlung
- Mehrstufige RAG-Pipelines
- Leistung eines RAG-Systems bewerten
- Abgerufene Ergebnisse reranken