跳转到主要内容
POST
/
v1
/
rerank
重排序
curl --request POST \
  --url https://api.example.com/v1/rerank \
  --header 'Content-Type: application/json' \
  --data '
{
  "model": "<string>",
  "query": "<string>",
  "documents": [
    "<string>"
  ],
  "top_n": 123,
  "return_documents": true
}
'

Documentation Index

Fetch the complete documentation index at: https://docs.crazyrouter.com/llms.txt

Use this file to discover all available pages before exploring further.

​
接口说明

对一组文档按照与查询的语义相关性进行重新排序，常用于 RAG 检索增强生成的第二阶段精排。
参考 SiliconFlow Rerank API 格式实现。

​
支持模型

模型说明
gte-rerank-v2多语言重排序模型，推荐
gte-rerank-v2英文为主

​
请求参数

​
model
string
必填
重排序模型名称，如 gte-rerank-v2
​
query
string
必填
查询文本
​
documents
string[]
必填
待排序的文档列表
​
top_n
integer
返回前 N 个结果，默认返回全部
​
return_documents
boolean
默认值:"true"
是否在响应中返回文档原文

​
响应格式

{
  "model": "gte-rerank-v2",
  "results": [
    {
      "index": 2,
      "relevance_score": 0.9875,
      "document": { "text": "最相关的文档内容" }
    },
    {
      "index": 0,
      "relevance_score": 0.7432,
      "document": { "text": "次相关的文档内容" }
    },
    {
      "index": 1,
      "relevance_score": 0.1205,
      "document": { "text": "不太相关的文档内容" }
    }
  ],
  "usage": {
    "total_tokens": 128
  }
}

​
代码示例

import requests

response = requests.post(
    "https://crazyrouter.com/v1/rerank",
    headers={
        "Authorization": "Bearer sk-xxx",
        "Content-Type": "application/json"
    },
    json={
        "model": "gte-rerank-v2",
        "query": "什么是向量数据库",
        "documents": [
            "向量数据库是专门存储和检索高维向量的数据库系统",
            "关系型数据库使用表格存储结构化数据",
            "向量数据库支持近似最近邻搜索，适合语义检索场景",
            "Redis 是一个内存键值存储系统"
        ],
        "top_n": 2,
        "return_documents": True
    }
)

data = response.json()
for result in data["results"]:
    print(f"[{result['relevance_score']:.4f}] {result['document']['text']}")

​
典型 RAG 流程

用户查询 → Embedding 检索 Top-K → Rerank 精排 → LLM 生成回答
重排序模型的输入文档数量建议不超过 100 条。文档过多会增加延迟和费用。