开篇问题上一篇我们拆了默认检索链路：query extension - embedding recall - full-text recall - collection filter - RRF 融合 - 相似度过滤 - token 裁剪这一篇继续看检索链路后半段：召回了一批候选内容之后，FastGPT 如何重新排序、如何把引用交给 LLM、如何在前端展示可追溯引用？这篇重点拆五个问题：Rerank 在 RAG 链路中的位置。多查询召回如何提升覆盖率。图片 caption 与多模态检索的关系。引用信息如何保留到最终回答。为什么引用需要支持编辑、删除、重新读取和完整原文查看。先给结论FastGPT 的检索增强回答可以拆成三层：召回层 用 embedding/full-text/image caption 等方式找候选内容。 精排层 用 rerank 模型重新判断“候选内容与问题”的相关性。 引用层 把 quoteQA 交给后续 Chat 节
开篇问题上一篇我们拆了默认检索链路：query extension - embedding recall - full-text recall - collection filter - RRF 融合 - 相似度过滤 - token 裁剪这一篇继续看检索链路后半段：召回了一批候选内容之后，FastGPT 如何重新排序、如何把引用交给 LLM、如何在前端展示可追溯引用？这篇重点拆五个问题：Rerank 在 RAG 链路中的位置。多查询召回如何提升覆盖率。图片 caption 与多模态检索的关系。引用信息如何保留到最终回答。为什么引用需要支持编辑、删除、重新读取和完整原文查看。先给结论FastGPT 的检索增强回答可以拆成三层：召回层 用 embedding/full-text/image caption 等方式找候选内容。 精排层 用 rerank 模型重新判断“候选内容与问题”的相关性。 引用层 把 quoteQA 交给后续 Chat 节
