在高级RAG应用中，检索后处理环节至关重要 。Rerank技术通过重新排序检索出的文档块，确保与用户问题更相关的信息排在前面，从而 提高语言模型生成答案的质量 。在这个环节中，可以做一些诸如相似度过滤、关键词过滤、chunk内容替换等处理。其中， Rerank（重排序） 是一种常见的，也是在RAG应用优化中很常见的一种技术处理环节。

本文介绍了两种被广泛认可的Rerank模型： Cohere Rerank模型和bge-reranker-large模型 ，并提供了使用指南。

一、为什么还需要Rerank

Cohere Rerank是一个商业闭源的Rerank模型。它根据 与指定查询问题的语义相关性对多个文本输入进行排序，专门用于帮助关键词或向量搜索返回的结果做重新排序与提升质量。

为了使用Cohere Rerank，你首先需要在官方网站（）注册后申请测试的API-key（测试使用免费）：

Cohere Rerank的使用非常简单，通常在LangChain与LlamaIndex框架中集成使用。下面展示如何在LangChain框架中使用Cohere Rerank来优化检索结果。

输出结果示例

在调用Cohere Rerank之后，内容的相关性和其对应的查询更加匹配，排序也更加合理。 这种更加合理的排名一方面有利于LLM生成更准确的回复；另一方面也可以帮助降低top_K数量，以节约上下文空间。

bge-reranker-large 是国内智源开源的一个被广泛使用的Rerank模型，在众多的模型测试中有着非常优秀的成绩。

下面展示如何在LangChain框架中使用 bge-reranker-large 来优化检索结果。

输出结果示例

了解更多： ​ ​​ ​

总结：

Rerank虽然在RAG流程中看似不那么显眼，但其实现简单、资源要求低，且不依赖于特定的嵌入模型，能够显著提升最终生成的质量。无论是选择在线的Cohere Rerank模型，还是本地部署的bge-reranker-large模型，都能为您的RAG应用带来性能上的提升。

原文链接：​ ​​ ​