Přehodnocení pořadí: Zlepšení relevance
Na této stránce
Cíle
- Pochopit, proč přehodnocení pořadí (reranking) zlepšuje výsledky
- Implementovat přehodnocovač pomocí cross-encoderu
- Integrovat přehodnocení do RAG pipeline
Problém bi-encoderu
Veškeré vyhledávání, které jsi doposud vybudoval, spoléhá na bi-encoder: dotaz a dokumenty jsou kódovány odděleně, samostatně, a porovnávány prostřednictvím skalárního součinu. To je to, co činí vyhledávání okamžitým i přes milion chunků, protože vektory korpusu byly vypočítány jednou provždy. Zároveň je to však příčina nepřesnosti, protože model nikdy nevidí dotaz a dokument společně: musí každý text shrnout do vektoru, aniž by věděl, co bude později požadováno.
Cross-encoder, nazývaný také přehodnocovač (reranker), bere jako vstup pár (dotaz, dokument) a produkuje mnohem jemnější skóre relevance, protože čte oba texty společně a dokáže rozpoznat, že se dokument sice týká daného tématu, ale v opačném smyslu. Tento zisk má svou cenu: model musí zpracovat každý dokument jednotlivě, což znemožňuje jeho použití na celý korpus. Řešením je nasadit jej tam, kde je to nákladově efektivní – na malou sadu kandidátů, kteří již byli předvybráni.
Odtud plyne dvoufázová pipeline, kde každý model dělá to, v čem je nejlepší: ten rychlý zúží pole výběru a ten přesný provede finální výběr.
Query → Bi-encoder → Top 50 Candidates → Cross-encoder → Top 5 Results
Přehodnocení pořadí s Cohere
Cohere zpřístupňuje vysoce výkonný přehodnocovač přes API, čímž se vyhneš nutnosti hostovat vlastní model. Následující funkce řetězí oba kroky: nejprve získá dvacet kandidátů pomocí vektorové podobnosti a poté požádá rerank-v3.5, aby vybral pouze pět. Všimni si pole index_original, které je ve výsledku zachováno: přehodnocovač vrací pozice relativně k seznamu kandidátů a ty budeš potřebovat toto mapování zpět na skutečný dokument ve svém korpusu.
import cohere
from openai import OpenAI
co = cohere.Client(api_key="your-cohere-key")
openai_client = OpenAI()
def search_and_rerank(
question: str,
documents: list[str],
embeddings_corpus,
k_retrieval: int = 20,
k_final: int = 5
) -> list[dict]:
"""Sémantické vyhledávání + přehodnocení pořadí."""
# Krok 1: Rychlé získání (bi-encoder)
query_emb = openai_client.embeddings.create(
input=question,
model="text-embedding-3-large"
).data[0].embedding
import numpy as np
scores = embeddings_corpus @ np.array(query_emb)
top_indices = np.argsort(scores)[-k_retrieval:][::-1]
candidates = [documents[i] for i in top_indices]
# Krok 2: Přehodnocení pořadí (cross-encoder)
rerank_response = co.rerank(
query=question,
documents=candidates,
top_n=k_final,
model="rerank-v3.5"
)
return [
{
"text": candidates[r.index],
"rerank_score": r.relevance_score,
"original_index": int(top_indices[r.index])
}
for r in rerank_response.results
]
Přehodnocení pořadí pomocí LLM
Pokud nechceš do své architektury přidávat dalšího poskytovatele – ať už kvůli smluvním podmínkám, lokalizaci dat, nebo jednoduše fakturaci – může tuto roli zastoupit LLM, který již používáš. Odešleš otázku a dokument, požádáš o skóre od 0 do 10 a seřadíš je. Nastavení teploty na nulu a snížení max_tokens na pět zajistí deterministický a levný výstup; blok try/except ošetří případy, kdy model odpoví něčím jiným než číslem.
from openai import OpenAI
client = OpenAI()
def llm_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[dict]:
"""Používá LLM k ohodnocení relevance."""
scores = []
for i, doc in enumerate(candidates):
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"On a scale of 0 to 10, how relevant is this document "
f"for answering the question?\n\n"
f"Question: {question}\n\n"
f"Document: {doc}\n\n"
f"Respond only with a number between 0 and 10."
)
}],
temperature=0,
max_tokens=5
)
try:
score = float(response.choices[0].message.content.strip())
except ValueError:
score = 0.0
scores.append({"index": i, "text": doc, "score": score})
scores.sort(key=lambda x: x["score"], reverse=True)
return scores[:k]
Tato verze stojí jedno volání na každého kandidáta, což znamená dvacet volání a odpovídající kumulativní latenci pro jediný uživatelský dotaz. V praxi je to v interaktivním rozhraní nepřípustné. Místo toho požádáme model, aby seřadil všechny dokumenty najednou, přičemž každého kandidáta zkrátíme na 200 znaků a očíslováme, a očekáváme pouze seznam indexů jako odpověď.
def llm_batch_reranker(
question: str,
candidates: list[str],
k: int = 5
) -> list[int]:
"""Přehodnocení pořadí v jediném volání LLM."""
formatted_docs = "\n".join(
f"[{i}] {doc[:200]}" for i, doc in enumerate(candidates)
)
response = client.chat.completions.create(
model="gpt-5.6-terra",
messages=[{
"role": "user",
"content": (
f"Rank these documents by relevance to the question. "
f"Return the indices of the {k} most relevant "
f"documents, separated by commas, from most to "
f"least relevant.\n\n"
f"Question: {question}\n\n"
f"Documents:\n{formatted_docs}\n\n"
f"Indices (e.g., 3,1,7,0,5):"
)
}],
temperature=0,
max_tokens=50
)
indices_str = response.choices[0].message.content.strip()
return [int(i.strip()) for i in indices_str.split(",")][:k]
Integrace do RAG pipeline
V kompletní pipeline zapadá přehodnocení pořadí mezi fázi získávání (retrieval) a generování, aniž by měnilo cokoli jiného. Klíčovým bodem v níže uvedené třídě je práh 0,3 pro relevance_score: umožňuje vrátit méně než pět kontextů, pokud žádný kandidát není skutečně relevantní, místo abychom generátoru předali šum. Často právě tento filtr, více než samotné přehodnocení, eliminuje halucinované odpovědi.
class RAGPipelineWithReranking:
def __init__(self):
self.client = OpenAI()
self.co = cohere.Client()
def respond(self, question: str, chunks, embeddings_corpus):
# 1. Široké získávání
candidates = self.search(question, embeddings_corpus, k=20)
# 2. Přehodnocení pořadí
candidate_docs = [chunks[i]["text"] for i in candidates]
reranked = self.co.rerank(
query=question,
documents=candidate_docs,
top_n=5,
model="rerank-v3.5"
)
# 3. Výběr těch nejlepších
contexts = [
chunks[candidates[r.index]]
for r in reranked.results
if r.relevance_score > 0.3 # Prahová hodnota relevance
]
# 4. Generování odpovědi
return self.generate(question, contexts)
Dopad přehodnocení pořadí
| Metrika | Bez přehodnocení | S přehodnocením | Zisk |
|---|---|---|---|
| Recall@5 | 0.72 | 0.72 | = |
| Precision@5 | 0.58 | 0.78 | +34 % |
| MRR | 0.65 | 0.82 | +26 % |
Tato čísla přesně vypovídají o tom, co přehodnocovač dělá. Recall se nemění, což je logické: kandidáti jsou stejní a cross-encoder nemůže zachránit dokument, který bi-encoder neodhalil. Precision a MRR se však výrazně zlepšují, protože správný dokument se posune ze šestého místa na první. Praktický důsledek: pokud máš špatný recall, přehodnocení ti nepomůže; musíš nejprve rozšířit získávání nebo zrevidovat chunkování.
Klíčové poznatky
- Přehodnocení pořadí znovu seřadí kandidáty pomocí přesnějšího modelu
- Typická pipeline: bi-encoder (top 20–50) → cross-encoder (top 5)
- Cohere rerank-v3.5 je hotové řešení
- LLM může sloužit jako přehodnocovač, pokud se chceš vyhnout další závislosti
- Zisk v přesnosti je významný (obvykle 20–35 %)