Jina Rerank

Jina Rerank 提供文档重排序服务，用于在检索增强生成（RAG）场景中对候选文档进行相关性排序，提升检索结果的准确性。

接口信息

属性	值
基础 URL	https://api.quickapi.store
端点	POST /v1/rerank
Content-Type	application/json
认证方式	Bearer Token

请求参数

参数	类型	必填	说明
model	string	是	模型名称：jina-reranker-v2-base-multilingual
query	string	是	查询文本
documents	array	是	待排序的文档字符串数组
top_n	integer	否	返回的文档数量，默认返回全部
return_documents	boolean	否	是否返回文档内容，默认 true

示例

基础重排序

curl https://api.quickapi.store/v1/rerank \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $YOUR_API_KEY" \
  -d '{
    "model": "jina-reranker-v2-base-multilingual",
    "query": "如何学习机器学习？",
    "documents": [
      "机器学习是人工智能的一个分支，研究如何让计算机从数据中学习",
      "今天天气真好，适合出去散步",
      "深度学习是机器学习的子集，使用多层神经网络",
      "Python 是一种流行的编程语言",
      "监督学习需要标注数据来训练模型"
    ],
    "top_n": 3,
    "return_documents": true
  }'

响应示例

{
  "model": "jina-reranker-v2-base-multilingual",
  "results": [
    {
      "index": 0,
      "document": "机器学习是人工智能的一个分支，研究如何让计算机从数据中学习",
      "relevance_score": 0.9234
    },
    {
      "index": 2,
      "document": "深度学习是机器学习的子集，使用多层神经网络",
      "relevance_score": 0.8521
    },
    {
      "index": 4,
      "document": "监督学习需要标注数据来训练模型",
      "relevance_score": 0.7845
    }
  ],
  "usage": {
    "tokens": 156
  }
}

Python 示例

import requests

url = "https://api.quickapi.store/v1/rerank"
headers = {
    "Content-Type": "application/json",
    "Authorization": "Bearer your-api-key"
}

payload = {
    "model": "jina-reranker-v2-base-multilingual",
    "query": "如何学习机器学习？",
    "documents": [
        "机器学习是人工智能的一个分支，研究如何让计算机从数据中学习",
        "今天天气真好，适合出去散步",
        "深度学习是机器学习的子集，使用多层神经网络",
        "Python 是一种流行的编程语言",
        "监督学习需要标注数据来训练模型"
    ],
    "top_n": 3,
    "return_documents": True
}

response = requests.post(url, json=payload, headers=headers)
result = response.json()

for item in result["results"]:
    print(f"[{item['relevance_score']:.4f}] {item['document']}")

提示

在 RAG 场景中，建议先使用向量检索获取候选文档（如 top-20），再通过 Rerank 精排筛选出最相关的 top-3 或 top-5 文档输入给大模型。

注意

单次请求的 documents 数组长度建议不超过 1000，过多的文档会影响响应速度。