检索进阶：Retriever、Postprocessor 与重排

检索是可组合的流水线

LlamaIndex 把检索拆成两个可插拔环节：Retriever（取回候选） + Node Postprocessor（后处理），可以像搭积木一样组合。

常用 Postprocessor

• SimilarityPostprocessor：丢弃相似度低于阈值的块 —— 挡垃圾结果；
• KeywordNodePostprocessor：必须包含/排除关键词；
• SentenceTransformerRerank：交叉编码器重排 —— 与本站《重排》课完全同源；
• MetadataReplacementPostProcessor：配合"小块检索、替换成父块内容"（父子块策略）。

from llama_index.core.postprocessor import (
    SimilarityPostprocessor, SentenceTransformerRerank)

query_engine = index.as_query_engine(
    similarity_top_k=10,
    node_postprocessors=[
        SimilarityPostprocessor(similarity_cutoff=0.3),
        SentenceTransformerRerank(model="cross-encoder/ms-marco-MiniLM-L-6-v2",
                                  top_n=3),
    ])

进阶检索器

• Auto-Retrieval：让 LLM 从用户问题中推断元数据过滤条件（"最近三个月的财报" → 自动加 date 过滤）；
• QueryFusionRetriever：多查询扩展 + 多路融合 —— 对应本站《查询改写与 HyDE》与《多路召回》；
• Recursive Retriever：检索命中块后顺着其引用/大纲继续检索相关块。

你会发现：本站 RAG 进阶模块讲的所有优化手段，在 LlamaIndex 里都有官方组件——换框架不换方法论。