朋友们，你们有没有过这样的经历：辛辛苦苦写了个检索系统，好不容易找到了相关的文档，可是一看结果列表，却傻眼了——怎么排得乱七八糟的，真正有用的信息反而藏在犄角旮旯里？

别慌，今天我给大家介绍一个神器：Rerankers！有了它，排序从此不再是难题，让你的检索系统立刻变身“检索黑科技”！

为什么需要 Rerankers？

在检索领域，排序（Reranking）可是个至关重要的环节。它就像是个“智能筛选器”，负责从一堆可能相关的文档里挑选出最贴切用户需求的。

但传统的排序方法往往让人头疼：

• 选择困难症：不同问题适合不同的排序模型，可这么多模型，该选哪个呢？

• 入门门槛高：每个模型都有自己的一套“方言”，学起来费时费力。

• 扩展困难：想尝试新模型？改代码吧！

Rerankers 应运而生，就是为了解决这些痛点！

Rerankers 的五大法宝

Rerankers 有五大法宝，让你轻松上手各种检索模型：

1. 轻巧玲珑：依赖少，不会和你现有环境打架。

2. 一目了然：几个函数轻松搞定，用起来得心应手。

3. 无缝衔接：几行代码就能集成到现有检索系统里。

4. 扩展方便：新模型来了？分分钟加入 rerankers 大家庭！

5. 易于调试：代码简洁易懂，有问题也好定位解决。

使用 Rerankers 排序，so easy！

安装 Rerankers 就跟网购一样简单，基本不会和你现有依赖冲突。具体步骤稍后会说到。

安装完之后，使用 Rerankers 排序也非常直观。比如你想用一个叫做“cross-encoder”的模型来排序，只需要一行代码：

Python

from rerankers import Reranker

ranker = Reranker('cross-encoder')

是不是很简单？然后，不管你用的是哪个模型，排序的流程都一样：

Python

results = ranker.rank(query="今天天气真好", docs=["天阴沉沉要下雨", "阳光明媚适合出游"], doc_ids=[0, 1])
print(results)

这段代码会告诉 Rerankers 你想查询的句子（query）是什么，以及两个候选文档 (docs) 的内容，doc_ids 则表示每个文档的编号（如果不提供，Rerankers 会自动帮你生成）。

Rerankers 会返回一个 RankedResults 对象，其中包含了排序后的文档信息，比如哪个文档更相关，得分是多少等等。

Rerankers 支持哪些模型？

Rerankers 目前支持多种主流的排序模型，涵盖了各种技术路线：

• Sentence Transformer 或 Transformers 的交叉编码器：一种经典的排序模型，功能强大，应用广泛。

• RankGPT：利用大型语言模型来排序，新晋黑马，效果惊艳。

• T5 系列的点wise 排序器：基于 T5 语言模型，可用于各种排序任务。

• Cohere 和 Jina 的 API 接口：方便快捷地调用云端排序服务。

• ColBERT 编码器：虽然不是专门为排序设计的，但也能取得不错的效果。

Rerankers 还在不断更新完善，未来还将支持更多的模型，让你拥有更多选择！

结语

Rerankers 让检索模型的调用变得简单易懂，是提高检索系统性能的利器。如果你正为检索排序而烦恼，不妨试试 rerankers，相信它会让你惊喜连连！

项目主页：https://github.com/AnswerDotAI/rerankers/?utm_source=tldrai