解释向量检索与关键词检索的互补性,以及元数据过滤在多租户场景的作用。
混合检索:向量检索(语义相似,同义改写也能召回)+ 关键词检索(BM25,专有名词、型号、代码、人名等精确匹配强)互补。纯向量检索的典型失败:查询「K8s 1.29 FeatureGate 报错」——模型名/版本号在嵌入空间不敏感,关键词检索一发入魂。融合常用 RRF(倒数排名融合)或加权分数,再接 rerank 精排。RAG 场景混合检索通常能稳定提升召回质量 5~15 个点。
标量过滤:向量检索时附加结构化条件(tenant_id=xxx AND status=published AND date>2026-01),先过滤后检索(预过滤)或检索后过滤。为什么必需:① 多租户隔离——不过滤就是跨租户泄数据;② 时效性——RAG 常要求只查新文档;③ 权限与状态——草稿/删除内容不能进答案。工程上选型要确认引擎的过滤+向量联合性能(预过滤导致的簇稀疏问题,Milvus/Qdrant 各有优化)。
实践:知识切片时打好元数据(来源、部门、时间、权限),检索层做过滤,rerank 层做精排,三层配合。
题目与答案就在本页;收藏、批注和错题重练在应用内