线上 RAG 要求端到端 P99 小于 500ms，现在混合检索召回 50 条 chunk，每条平均 400 token，用 cross-encoder rerank 明显超时。你会怎么把 rerank 塞进这个延迟预算？请给出具体做法：截断策略、batch、候选数、是否要用阈值卡掉低分，以及怎么验证没有因为截断掉答案。

面试官在考什么

判断候选人能否在延迟约束下做工程折中，理解 cross-encoder 的成本来源以及截断对效果的影响。

Rerank

回答框架 · 前两步

1. 先降候选数：从 50 降到 20-30，或先做轻量粗排再上 cross-encoder 精排，控制计算量。
2. 截断要保信息：优先保留 query 相关段落，或采用小块 rerank、大块生成，避免直接砍掉 chunk 后半段。

延伸阅读

• 从「背过」到「能选型」：原理的三层准备法

想看这个方向的整体准备路线？ 进入「NLP 与大模型」方向页

同一能力域的其他题

• RAG 的完整链路你会怎么搭？文档切分这一步，你会怎么定 chunk 大小和重叠？为什么？
• 大模型幻觉你会怎么治理？请区分"知识型幻觉"和"指令遵循型幻觉"分别怎么处理。
• 向量检索的召回效果不好，你会从哪些环节排查？说一个你实际调过的参数和它的影响。
• 你怎么评测一个 RAG 系统的好坏？请分别说检索侧和生成侧各看什么指标、怎么构造评测集。
• 一份 200 页的 PDF 技术手册要进 RAG 知识库，目录层级清晰，但有跨页表格和一段 3000 字的长章节。业务要求答案能定位到具体小节，同时回答里要保留足够上下文。你打算怎么设计切分策略？请给出 chunk 大小、overlap、切分依据，并说明长章节和表格分别怎么处理。
• 企业知识库要入库一批 200 页左右的产品技术手册（PDF，含大量跨页表格和 3 级标题），同时还有几万条几十字的客服工单。用户 query 大多是「XX 型号的额定功率是多少」这类精确查找，也有「怎么重置设备」这类流程性问题。请给出你的切分方案：chunk 大小和 overlap 怎么定？标题层级要不要拼进 chunk？跨页表格怎么办？工单和手册要不要用同一套策略？