本篇 10 题｜覆盖初级到高级｜检索评测与标签。先用自己的话回答，再核对参考要点，最后练习工程追问。
本篇目录
- RAG-091 Recall@k 衡量什么？
- RAG-092 Precision@k 与 Recall@k 如何取舍？
- RAG-093 MRR 与 nDCG 的区别是什么？
- RAG-094 如何构建检索金标准？
- RAG-095 什么是检索难负例？
- RAG-096 为什么必须建立无答案测试集？
- RAG-097 合成检索问题有什么偏差？
- RAG-098 为什么要按查询类型切片评测？
- RAG-099 升级检索器要做哪些回归？
- RAG-100 如何保证检索实验可以复现？
RAG-091 Recall@k 衡量什么？
难度：中级
参考答案：衡量前 k 个结果覆盖了多少相关条目。必须明确相关性的标注粒度和分母；文档召回高不一定代表关键答案片段被召回。
工程追问：存在多个等价证据时如何标注？
RAG-092 Precision@k 与 Recall@k 如何取舍？
难度：中级
参考答案：Precision 关注返回结果中相关内容占比，Recall 关注相关内容覆盖。初召回通常重覆盖，最终上下文还要控制噪声与预算。
工程追问：增大 k 后答案反而变差说明什么？
RAG-093 MRR 与 nDCG 的区别是什么？
难度：中级
参考答案：MRR 关注首个相关结果的位置，适合单个有效答案即可的场景；nDCG 支持分级相关性并考虑排序折损，适合多个不同价值结果。
工程追问：多证据推理适合只看 MRR 吗？
RAG-094 如何构建检索金标准？
难度：中级
参考答案：从真实任务抽样，标注问题、可接受证据、无答案状态及版本范围。采用复核与争议裁决，并冻结测试集避免调参污染。
工程追问：标注员意见不一致如何处理？
RAG-095 什么是检索难负例？
难度：中级
参考答案：表面相似但不能支持答案的内容，例如旧版本、相邻产品或条件不同的条款。它能检验系统是否理解真正约束，而不是只匹配关键词。
工程追问：怎样避免把有效替代证据标成负例？
RAG-096 为什么必须建立无答案测试集？
难度：中级
参考答案：系统不仅要找到答案，还要识别资料不支持的问题。无答案样本用于检查错误肯定、伪造引用与拒答策略，不能由普通召回指标替代。
工程追问：怎样设计接近答案却缺关键条件的问题？
RAG-097 合成检索问题有什么偏差？
难度：中级
参考答案：由片段反向生成的问题通常沿用原文措辞，比真实用户查询更容易检索。应混入真实表达、歧义、错别字与跨段问题，并保留独立测试集。
工程追问：如何检测合成集和真实流量差距？
RAG-098 为什么要按查询类型切片评测？
难度：中级
参考答案：总体均值可能掩盖特定群体的退化。按语言、文档类型、时间敏感度、实体精确匹配与跨文档推理分别报告指标及样本量。
工程追问：小样本切片如何避免过度解读？
RAG-099 升级检索器要做哪些回归？
难度：中级
参考答案：固定语料快照与查询集，对比相关性、权限过滤、延迟和成本。特别检查新旧版本混淆、罕见术语、空结果与超长文档。
工程追问：质量提高但 p99 变差如何决定？
RAG-100 如何保证检索实验可以复现？
难度：中级
参考答案：记录语料快照、解析切分版本、嵌入模型、索引参数、过滤条件和随机种子。保存逐查询结果，避免只留一个汇总分数。
工程追问：托管模型版本不可固定怎么办？
复盘练习
任选一题，用“场景与约束 → 方案 → 验证方法 → 失败边界”组织一段回答。初级先讲清概念，中级补实现与测试，高级补成本、权限和故障取舍。难度标签是学习建议，同一题可继续深入。
延伸阅读
以下为本模块相关原始论文与官方文档，用于继续学习；本文为原创面试要点整理，具体框架行为以所用版本为准。