概念

重排器（reranker）接收初始检索器（通常是稠密向量检索、关键词检索，或两者的混合）返回的 top-k 个节点，并依据一种更强、但通常也更慢的「查询-文档相关性」度量重新排序。重排是 RAG 流水线里杠杆最大的旋钮之一：初始检索器针对大语料的高召回而调优，而重排器让你在结果进入 LLM 之前把准确度找回来。

在 LlamaIndex 里，重排器是以节点后处理器的形式实现的，运行在检索与响应合成之间。

使用方式

from llama_index.core.postprocessor import SentenceTransformerRerank

reranker = SentenceTransformerRerank(
    model="cross-encoder/ms-marco-MiniLM-L6-v2", top_n=3
)

query_engine = index.as_query_engine(
    similarity_top_k=10,
    node_postprocessors=[reranker],
)
response = query_engine.query("What did the author do in college?")

检索器先取回更宽的一组结果（similarity_top_k=10），重排器再筛出最好的 top_n=3，然后才交给 LLM。

选择重排器

• 无需 API key、本地运行、质量强：推荐把 SentenceTransformerRerank 作为默认选择，配一个现代 cross-encoder，例如 Qwen/Qwen3-Reranker-0.6B（更强、多语言）或 cross-encoder/ms-marco-MiniLM-L6-v2（更小、更快）。更多模型见 Sentence Transformers 的 cross-encoder 清单与 MTEB 榜单。
• 托管 API、配置最少：CohereRerank、JinaRerank、VoyageAIRerank、MixedbreadAIRerank。不想自己跑推理时，这几个都是好选择。
• 质量最高、不在意延迟：LLMRerank、RankGPTRerank、RankLLMRerank。它们直接用一个 LLM 来判断相关性。
• 多模态后期交互（文档为图片）：ColPaliRerank。
• 文本后期交互：ColbertRerank。当查询与文档中含有较窄、较专门的技术术语时特别有用。

包含所有集成与所有模型的完整参考，见节点后处理器指南。重排器是节点后处理器中的一个类别。

延伸阅读

• 节点后处理器指南：每个受支持的重排器都带代码示例。
• Sentence Transformers cross-encoder 文档：开源模型在速度与准确度上的取舍。
• 进阶检索：重排如何放进更大的检索策略里。