怎么考「混合检索里 BM25 和向量的分数怎么融合？为什么很多团队直接用 RRF？」

我要答我要考
Q2-10混合检索中高频

谁在问：中大厂 AI 应用组一二面；凡简历写了「混合检索」几乎必被追问

开场怎么问

你简历上写了混合检索——BM25 的分和向量的分，你是怎么合到一起排序的？

换个问法

  • 两路召回的结果怎么合并？权重是拍脑袋定的吗？
  • 为什么大家都用 RRF？它好在哪？

五层追问链

左边照着问，右边对着听。最后一层是压力面，不必每个候选人都问到。

为什么不能把 BM25 分数和余弦相似度直接加权相加？

期望
量纲不可比——余弦有界、BM25 无上界且随语料/查询长度漂移；直接相加等于身高加体重；必须先归一化，或改用只看排名的方法。
信号
答不出「无上界」这个具体原因、只说「不太好」的，说明没真正碰过分数。

RRF 公式里的 k=60 是干什么的？调大调小会怎样？

期望
缓冲值，防止头部名次形成碾压（没有 k 时第 1 名得分是第 2 名的两倍，加 60 后 1/61≈1/62）；k 小→头部权重大更「精英」，k 大→名次差异被抹平更「平均」；60 是原论文经验默认，无评测集不建议动。
信号
能手算一个 1/61+1/63 的小例子的，基本是真理解。

RRF 有什么缺点？什么情况下加权融合反而更好？

期望
丢失分数强度信息，单路超强信号被稀释；有稳定评测集、分数分布稳定、追求极致效果时，归一化加权可精调超过 RRF；更进一步是按 query 类型动态调权/路由。
信号
只会夸 RRF 说不出任何缺点的，是背答案。

你的权重（或 k、topK）是怎么定的？怎么验证调整有效？

期望
评测集驱动——从真实 query 日志/人工标注构建，按类型分桶；指标用 recall@k、MRR/NDCG；对比实验（单路 vs 混合、不同参数）；上线后用 badcase 回归集防倒退。
信号
说「用的默认值」不扣分，但说不出「怎么验证默认值够不够」就暴露了没有评测习惯。

上线后发现「型号类查询」混合后反而比纯 BM25 更差，你怎么排查、怎么解？

期望
先分桶归因确认是该类 query 整体劣化而非个案；原因大概率是向量路引入噪声 + RRF 稀释了 BM25 的强信号；解法按成本排序——该类 query 路由单走 BM25 / 加重 BM25 权重 / 检查分词是否把型号切碎 / 自定义词典；修完进回归集。
信号
第一反应是「换个 embedding 模型」而不是「先归因」，工程判断力存疑。

危险信号

听到这些话，基本可以判定是背题而不是做过。

「把两个分数加权平均一下就行」——踩中量纲陷阱，直接暴露没实操。
能背 RRF 公式但答不出 k 的含义或任意一个缺点——背题特征。
「混合检索肯定比单路好」——绝对化；真实情况是分桶看，某些桶会变差。
全程没有出现任何评测指标或验证方法——只有方案没有闭环。
把 Rerank 和融合混为一谈——分不清「多路合并」与「精排」两个阶段。

评分卡

  1. 指出两路分数量纲不可比，并说出 BM25 无上界这一具体原因
  2. 说出两条融合路线：归一化加权、RRF
  3. 能解释 RRF 公式与 k 的作用（k≈60，缓冲头部碾压）
  4. 能说出 RRF 免调参、免疫分数分布的优点及其被广泛采用的原因
  5. 能说出 RRF 丢失分数强度的缺点及「强信号稀释」现象
  6. 体现评测驱动：分桶评测、recall@k/MRR、badcase 回归
  7. 加分：query 分类路由 / 引擎内置能力 / learned sparse 及其边界
参考答案与考察意图面试中途别看这一段

考察意图

这题是「读过文档」和「真做过」的分水岭。面试官在验证三件事：① 你是否理解两路分数量纲不可比这个真正的技术难点（而不是只知道「两路都做然后合并」）；② 你是否清楚 RRF 的原理和取舍，而非把它当黑盒；③ 你有没有评测驱动的工程习惯——参数是测出来的还是抄来的。

参考答案

图 2 · 60 分与 90 分差在哪：代价、演进、怎么验证
60

60 分答案（及格线）

BM25 分数和向量余弦相似度不在一个量纲上——余弦有界（0~1），BM25 无上界——所以不能直接加权相加。主流做法两种：一是先归一化（min-max/z-score）再按权重线性组合；二是 RRF，不看分数只看名次，每路给文档一个 1/(k+rank) 的分再求和，k 通常取 60。很多团队用 RRF 是因为它不需要调参、对分数分布不敏感，拿来就能用。

90

90 分答案（有生产经验的回答）

在 60 分基础上，能讲出取舍与演进：

  • 为什么加权难做：α 依赖评测集才能调；分数分布会随语料增长、换 embedding 模型而漂移，调好的权重会失效；min-max 归一化还怕离群值，一个异常高分能把整路分数压扁。
  • RRF 的代价：只看名次丢掉了分数强度——BM25 第 1 名比第 2 名高 10 倍置信和只高 0.1 分，在 RRF 里没区别，导致「单路强信号被稀释」，典型受害者是型号/编号类查询。
  • 工程演进路线：RRF 做默认起点（免调参解决 80% 问题）→ 建好评测集、分数分布稳定后可回到加权精调 → 进一步做 query 分类路由，型号类 query 加重 BM25 甚至单走 BM25。
  • 落到评测：按 query 类型分桶（型号类/口语类/长问题）测 recall@k、MRR，不看总平均；引擎侧知道 Milvus 的 RRFRanker/WeightedRanker、Weaviate 的 α 参数等现成能力；能提一句 learned sparse（BGE-M3/SPLADE）作为 BM25 的新替代及其「没见过内部代号就失效」的边界，是明显加分项。
攒够了去组卷页一键生成可打印的面试题单