> ## 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.

# 재정렬

> 검색 결과를 의미론적으로 재정렬합니다

> 업데이트: 2026-06-06

## 인터페이스 설명

문서 집합을 쿼리와의 의미론적 관련성에 따라 재정렬합니다. RAG(검색 증강 생성)의 2단계 정밀 정렬에 주로 사용됩니다.

<Note>
  [SiliconFlow Rerank API](https://docs.siliconflow.cn/cn/api-reference/rerank/create-rerank) 형식을 참고하여 구현되었습니다.
</Note>

## 지원 모델

| 모델              | 설명             |
| --------------- | -------------- |
| `gte-rerank-v2` | 다국어 재정렬 모델, 권장 |
| `gte-rerank-v2` | 영어 중심          |

## 요청 파라미터

<ParamField body="model" type="string" required>
  재정렬 모델 이름, 예: `gte-rerank-v2`
</ParamField>

<ParamField body="query" type="string" required>
  쿼리 텍스트
</ParamField>

<ParamField body="documents" type="string[]" required>
  정렬할 문서 목록
</ParamField>

<ParamField body="top_n" type="integer">
  반환할 상위 N개 결과, 기본값은 전체 반환
</ParamField>

<ParamField body="return_documents" type="boolean" default="true">
  응답에 문서 원문을 포함할지 여부
</ParamField>

## 응답 형식

```json theme={null}
{
  "model": "gte-rerank-v2",
  "results": [
    {
      "index": 2,
      "relevance_score": 0.9875,
      "document": { "text": "가장 관련성 높은 문서 내용" }
    },
    {
      "index": 0,
      "relevance_score": 0.7432,
      "document": { "text": "차순위로 관련성 있는 문서 내용" }
    },
    {
      "index": 1,
      "relevance_score": 0.1205,
      "document": { "text": "관련성이 낮은 문서 내용" }
    }
  ],
  "usage": {
    "total_tokens": 128
  }
}
```

## 코드 예시

<CodeGroup>
  ```python Python theme={null}
  import requests

  response = requests.post(
      "https://api.crazyrouter.com/v1/rerank",
      headers={
          "Authorization": "Bearer sk-xxx",
          "Content-Type": "application/json"
      },
      json={
          "model": "gte-rerank-v2",
          "query": "벡터 데이터베이스란 무엇인가요",
          "documents": [
              "벡터 데이터베이스는 고차원 벡터를 저장하고 검색하기 위한 데이터베이스 시스템입니다",
              "관계형 데이터베이스는 테이블을 사용해 구조화된 데이터를 저장합니다",
              "벡터 데이터베이스는 근사 최근접 이웃 검색을 지원하여 의미 검색 시나리오에 적합합니다",
              "Redis는 인메모리 키-값 저장 시스템입니다"
          ],
          "top_n": 2,
          "return_documents": True
      }
  )

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

  ```bash cURL theme={null}
  curl -X POST https://api.crazyrouter.com/v1/rerank \
    -H "Authorization: Bearer sk-xxx" \
    -H "Content-Type: application/json" \
    -d '{
      "model": "gte-rerank-v2",
      "query": "벡터 데이터베이스란 무엇인가요",
      "documents": [
        "벡터 데이터베이스는 고차원 벡터를 저장하고 검색하기 위한 데이터베이스 시스템입니다",
        "관계형 데이터베이스는 테이블을 사용해 구조화된 데이터를 저장합니다"
      ],
      "top_n": 2
    }'
  ```
</CodeGroup>

## 일반적인 RAG 흐름

```
사용자 쿼리 → Embedding으로 Top-K 검색 → Rerank 정밀 정렬 → LLM 답변 생성
```

<Warning>
  재정렬 모델에 입력하는 문서 수는 100개를 넘지 않는 것을 권장합니다. 문서가 너무 많으면 지연 시간과 비용이 증가합니다.
</Warning>