在整合大型语言模型（LLM）到我们的业务流程时，企业经常会遇到一些头疼的问题，比如怎样保持数据的时效性、避免幻觉现象，以及如何保护数据安全。为了解决这些问题，检索增强生成（RAG）技术应运而生，它不仅帮助我们克服了这些挑战，还引领了信息检索的新方向。虽然 RAG 系统及其科普非常流行，但在实际使用中，我们发现它“入门容易，精通难”。目前，业界的讨论主要集中在如何改进内容提取、文档分块，以及 Embedding 模型等技术，但很少有人提到提升搜索准确度的关键步骤——那就是重新排名（Reranker）。我们将结合实际的项目经验，分享 Jina AI 是如何打造更高质量，更快的速度的 Reranker 模型。 从而将 Reranker 整合到 RAG 应用中可以显著提高生成答案的精确度。