BM25 与 BGE-M3 混合检索、RRF 融合及重排

面试回答

养老资料查询有两类表达需要同时照顾。一类包含明确的政策名称、条款编号或专业术语，BM25 的关键词匹配比较合适；另一类是用户用日常语言描述需求，和文档原文用词差异很大，需要 BGE-M3 的语义检索补充。

比如用户问“老人自己吃饭穿衣都困难，能申请什么帮助”，文档可能写的是生活自理能力、失能等级和照护补贴，纯关键词检索容易漏掉。反过来，纯向量检索也可能找到主题相近但条件不符的内容。所以我让两路并行召回，再用 RRF 融合和 Reranker 筛选，扩大证据覆盖后进一步判断相关性。

面试回答

BM25 是基于倒排索引的关键词相关性计算，主要看查询词出现的频率、词的区分度和文档长度。少见且准确命中的词通常更有价值，同一个词重复出现带来的加分会逐渐饱和，避免长文档单纯靠重复词占优势。

BGE-M3 在这里使用 dense 向量能力。入库时把子块编码成向量，查询时把用户问题用兼容的模型和编码方式生成向量，再交给 Milvus 查找相近结果。BM25 更直接利用词面匹配，BGE-M3 补充不同表达之间的语义关联，两路返回后按同一子块 ID 进行融合。

面试回答

BM25 分数和向量相似度的含义、数值范围都不同，直接相加会让数值范围更大的通道主导结果。我使用 RRF，把各路结果转换成排名贡献，再按稳定的子块 ID 合并，减少对原始分数尺度的依赖。

一个子块如果在两路里都排名靠前，就会得到两路加分；只被一路召回的候选也能保留。它的局限是看排名时会丢掉原始分数差距，无法区分第一名比第二名强很多还是只强一点。因此 RRF 用于融合候选，后面继续用 Reranker 联合读取问题和正文，做更细的相关性判断。

面试回答

RRF 依据候选在两路中的排名来融合，不能直接判断正文是否完整回答了问题。BGE Reranker 会把问题和候选子块作为一对输入，让模型联合读取，进一步判断它们的相关性。

比如两段内容都讨论补贴，语义上都接近，但用户问的是申请材料，Reranker 可以更细地判断哪一段真正列出了材料要求。因为这种联合评分成本较高，我们只对融合后的有限候选使用。地区、权限、时间和版本仍然由硬条件过滤处理，相关性分数再高也不能让不适用的资料进入回答。

面试回答

收到问题后，先确定用户可访问的知识库、地区和时间范围，把能够提前确定的过滤条件下推到两路检索。BM25 和 BGE-M3 并行召回子块，按子块 ID 对齐后做 RRF 融合，再交给 BGE Reranker 精排。

候选返回后，还会回查当前文档状态、版本和权限，防止索引更新滞后。确认可用后，按父块聚合、补充条款上下文，并按 token 预算装配证据，最终生成带 Evidence ID、文档和页码的回答。时间过滤根据用户问题确定，历史查询保留当时适用的版本，不能一律只取最新文件。

面试回答

我们的初始配置是 BM25 和向量检索各取 Top 50，按子块 ID 去重后最多得到 100 个候选，RRF 融合后取前 50 个交给 Reranker，再保留前 10 个子块。之后回溯父块、去重，并根据上下文预算决定真正装入多少证据。

前面保留较多候选，是给后续融合和精排留筛选空间。Top 20 可能过早漏掉正确证据，继续扩大又会增加重排耗时，所以比较 20、50、100 等配置下的候选覆盖率、最终 Recall@10、MRR@10 和延迟。最终保留 10 个子块也是效果与成本的配置选择，父块去重后数量可能更少，并不等于给模型塞 10 个父块。

面试回答

我主要调平滑常数 k 和两路权重，初始采用 k 等于 60、BM25 与向量权重 1 比 1。先固定召回和重排配置，比较 k 为 20、60、100 时的效果；k 小时更强调头部名次，k 大时头部与后部排名贡献的差距会缩小。

然后根据错误分析调整权重。精确名称、编号类问题不足时，比较偏向 BM25 的配置；口语化问题漏召回较多时，比较偏向向量检索的配置。每次少量改变参数，同时看重排前的证据覆盖和重排后的 Recall@10、MRR@10，避免只看最终排序，忽略候选池已经发生的变化。

面试回答

Reranker 的输入包含问题、文档标题、章节路径和子块正文。我用对应模型的 tokenizer 计算总长度，先给问题和标题预留空间，再分配正文预算。因为重排对象是子块，大部分输入本身较短，通常不需要直接处理整个父块。

遇到超长表格或片段时，按段落、句子或表格结构拆成多个窗口，每个窗口保留必要标题、表头，分别评分，再用最高分代表该候选的相关性。这样避免统一截取开头，把后面的关键条款删掉。原文和页码映射始终保留，后续生成时仍按需要读取原始证据。

面试回答

两路检索设置独立超时，某一路失败时尽量保留另一路的有效结果。BM25 不可用就使用向量候选，向量编码或 Milvus 不可用就使用 BM25 候选；如果 Reranker 失败，就用 RRF 排序结果兜底，并记录实际走了哪条链路。

降级后仍要检查证据是否足够，必要时补查、澄清或说明缺少依据。正常检索无命中和通道故障分开处理，前者可以改写查询，后者做有限重试和降级。权限、版本校验属于证据放行条件，这些检查不可用时不能跳过，否则可用性恢复了，访问范围和答案适用性却失去保证。

面试回答

我们围绕养老政策、机构制度和服务资料构建了 200 余道题，覆盖精确条款查询、口语化表达、多条件查询、时间版本和政策对比，也加入无答案、条件不足的题目。每道题记录问题、参考答案、文档版本、原文证据位置，以及回答必须覆盖的条件。

标注时区分“主题相关”和“足以回答”，不能把所有提到补贴的片段都算正确证据。检索评测检查原文依据有没有被召回，回答评测再看条件和引用是否完整。调参题和最终评测题分开，近似改写放在同一组，避免泄漏；无答案题单独检查证据不足与澄清行为，不混进普通 Recall 的分母。

面试回答

我把整体效果比较和组件对照分开。整体比较对应原始系统与最终系统，简历里的 Recall@10 从 0.71 到 0.89、MRR@10 从 0.62 到 0.78，反映的是整套改进的收益。

为了判断各环节的作用，另外固定文档、父子分块、过滤规则和测评集，比较 BGE-M3 单路、BM25 单路、两路加 RRF，以及在混合检索上增加 Reranker。这样能分别观察单路特点、混合召回和精排的贡献。分块方式再单独做实验，每次保存模型版本、召回数量、RRF 参数和重排配置，避免同时改动多个环节后无法解释效果来源。