Reordenando resultados recuperados
Aumente a precisão do RAG reordenando os candidatos iniciais da busca vetorial com modelos de codificador cruzado antes de passar o contexto ao LLM.
Reordenando resultados recuperados é uma aula grátis de Vector Databases: Pinecone, Weaviate & pgvector no CoddyKit. Esta é a aula 4 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Vector Databases: Pinecone, Weaviate & pgvector, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Vector Databases: Pinecone, Weaviate & pgvector inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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.
Aprenda Vector Databases: Pinecone, Weaviate & pgvector com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 12
- Aulas
- 48
Perguntas Frequentes
A aula “Reordenando resultados recuperados” é grátis?
Sim — o texto completo de “Reordenando resultados recuperados” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Vector Databases: Pinecone, Weaviate & pgvector, atualize para CoddyKit PRO. O curso de Vector Databases: Pinecone, Weaviate & pgvector inclui 4 aulas no total.
O que vou aprender em “Reordenando resultados recuperados”?
Aumente a precisão do RAG reordenando os candidatos iniciais da busca vetorial com modelos de codificador cruzado antes de passar o contexto ao LLM. Você pratica Vector Databases: Pinecone, Weaviate & pgvector com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Vector Databases: Pinecone, Weaviate & pgvector?
Nenhuma experiência prévia é necessária. Vector Databases: Pinecone, Weaviate & pgvector no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 4 de 4.
Quanto tempo leva a aula “Reordenando resultados recuperados”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Vector Databases: Pinecone, Weaviate & pgvector?
Sim. Cada aula de Vector Databases: Pinecone, Weaviate & pgvector inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Técnicas de Transformação de Consultas
- Pipelines RAG em Múltiplas Etapas
- Avaliando o Desempenho de Sistemas RAG
- Reordenando resultados recuperados