什么是重排窗口？精选后的最终名单

大模型回答问题前，资料找回来一大堆，最终能带进对话的只有寥寥几份，这个精选环节叫重排，入选名单所在的窗口就是重排窗口。如果说多路召回追求的是别漏，重排追求的就是别滥：把最相关的几份挑出来，摆到该在的位置。

从一堆到几份

重排的输入是召回阶段汇总的候选资料，输出是一份排序后的短名单。排序的依据是相关度，但“相关”的判定比关键词匹配精细得多：同样提到某个名词，一段是深入分析，一段只是顺带提及，后者会被压到后面。重排模型就是专门学这种精细判别的。

名单的篇幅受检索窗口约束。候选有五十份，窗口只放得下五份，取舍就发生在这一步。压线淘汰的资料不一定差，只是排位不够；但它们进不了对话，后面的回答再聪明也用不上。

像评委终审出名单

理解重排，可以类比评委终审出入围名单。海选阶段来者不拒，先看个大概；终审阶段评委拿着放大镜逐条比对，看深度、看契合度、看和其他作品的重叠，最后圈出入选的那几个。重排模型干的就是评委的活：初排看表面分，重排看真功夫。

评委类比还解释了为什么名单常常出人意料。有时终审会主动淘汰“看起来最匹配”的那份，因为它和另一份高度重复，留着浪费名额。重排也会做去冗余，宁可选两份互补的资料，不选三份说同一件事的。

终审类比的两处偏差

这个类比有两处对不上。其一，评委的品味是稳定的，重排模型的判断依赖训练数据，遇到全新领域，判别力可能明显下降，把泛泛而谈的资料排到前面。其二，评委终审一次定音，重排可能随查询表述微调名单，同一个资料库，问法换几个词，入围的几份就换血。

还有一处要分清：重排决定“带谁进对话”，不决定“资料怎么说”。入选资料的原文怎么被利用，是后面生成阶段的事，重排只负责把对的资料送到桌上；生成阶段想推演多长，又是思维链长度控制的事，几件事各管一段。

名单带不好的连锁反应

重排出问题，表现很典型：资料明明在库里，AI 却答不到点子上，或者引用了看似相关实则跑题的内容。根子往往在名单阶段——真正相关的那份排在了窗口之外。用户能做的补救很有限，换问法、把关键背景写进问题，是两条现实路径。有一个办法能部分补救：在提问时就把关键信息和资料一起给出，等于绕开名单环节，直接告诉它“重点看这段”。这招对资料量不大的场景特别好使，资料一多，还是得靠重排本身过硬，这也是考察产品长文档能力的关键切口，挑产品时，拿一份自己熟悉的材料实地问三个问题，比看任何评测都可靠，自己的场景，只有自己试过才算数。

讯飞星火和扣子在垂直场景的知识问答有不少针对性优化，重排策略的行业适配是常见方向。带走一个判断：召回决定资料库的广度，重排决定对话的精度，用户体感上的“答得准不准”，天平更多压在重排这一端。

速查表：重排=对召回候选精细排序后取前几名；类比评委终审；偏差在判别力依赖训练、随问法换名单；表现是资料在库却答偏；精度压在这一环。

关于重排窗口的三个常问问题

• 重排和召回的模型是同一个吗？通常不是，召回求快求全，重排求准，两者可以分开优化。
• 名单越短越精准吗？不一定，压得太狠可能漏掉互补信息，常见做法是保少量冗余。
• 为什么同一个库不同问法答案不同？问法影响召回和重排两端，入围名单会跟着换，答案自然有差异。