欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

法律检索精度提升实战:用 BGE-Reranker 对法条与类案做重排序

上邦 AI 工程团队2026-09-15阅读 约 8 分钟
法律问答里,召回的十条往往只有一两条真正命中。本文给出可复现的重排序方案:先用向量检索粗召回候选法条或类案,再用 BGE-Reranker 交叉编码器对查询与候选逐对打分重排,把最相关结果顶到前面。代码基于 sentence-transformers 的 CrossEncoder,可本地部署,敏感数据不出域。

问题:召回够了,排序却不准

在法务知识库里,向量检索擅长把相关内容拉回来,但容易把字面相似却法律含义不同的条文一并召回。真正的难点不是找不找得到,而是排在第几条。重排序(rerank)正是解决这一步——用一个交叉编码器同时看查询与候选,给出更贴近语义相关性的分数。

第一步:用向量检索粗召回候选

先把法规库或案例库向量化入库,查询时粗召回前若干条作为候选池,重排序只在这个小池子里做,既保精度又控算力:
from sentence_transformers import SentenceTransformer
import numpy as np

embed = SentenceTransformer('BAAI/bge-base-zh')
query = '用人单位未签劳动合同应承担什么责任'
docs = ['劳动合同应当书面订立……', '试用期最长不得超过六个月……', '……']

q = embed.encode(query, normalize_embeddings=True)
d = embed.encode(docs, normalize_embeddings=True)
sims = q @ d.T
topk = np.argsort(-sims)[:5]
candidates = [docs[i] for i in topk]

第二步:用 CrossEncoder 重排序

重排序模型把查询与每条候选拼接后联合编码,分数比向量相似度更可靠。下面用 sentence-transformers 的 CrossEncoder 加载 BGE 重排序模型:
from sentence_transformers import CrossEncoder

reranker = CrossEncoder('BAAI/bge-reranker-v2-m3')
pairs = [(query, c) for c in candidates]
scores = reranker.predict(pairs)

ranked = sorted(zip(candidates, scores), key=lambda x: -x[1])
for text, s in ranked:
    print(round(float(s), 4), text[:30])
提醒:重排序模型通常比向量模型更重,建议在服务端批量推理;涉及当事人信息的案卷,应部署在隔离环境,避免敏感数据外传。

第三步:把重排结果接回问答链路

重排后取前一到两条作为上下文喂给大模型生成答案,并在输出中标注所引条文的出处与版本,让结论可溯源。上邦在法律 RAG 落地中通常采用“向量粗召回 + 重排序精排 + 带出处生成”的三段式,以平衡召回率与精确度。

参考来源

Hugging Face 模型卡(BAAI/bge-reranker-v2-m3 重排序模型) - huggingface.co;sentence-transformers 官方文档(CrossEncoder 用法) - sbert.net;LangChain 官方文档(检索与重排集成) - python.langchain.com。
相关标签:法律AI检索增强重排序Reranker向量检索

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案