Haystack Rankers 组件完全指南从语义重排到 LLM 上下文编排v2.20 API 参考与源码解析【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack本指南以 Haystack 官方 v2.20 版本化 API 参考 rankers_api.md 为核心骨架系统讲解 Haystack 中 7 个 Ranker 组件的功能定位、完整参数签名、代码示例与运行机制。读者将掌握如何用 TEI 端点或 cross-encoder 模型做语义级重排、如何用 MetaFieldRanker 按元数据二次排序、如何用 MetaFieldGroupingRanker 为 LLM 组织上下文以及如何用 LostInTheMiddleRanker 与多样性排序优化长上下文输入。文中同时结合当前仓库源码如 meta_field.py、lost_in_the_middle.py解析底层实现原理帮助你在真实 RAG 与 Agent 管线中做出正确的组件选型。Ranker 组件在 Haystack 中的定位Ranker重排序器是 Haystack 检索增强生成RAG管线中负责二次排序的一类组件。检索器Retriever通常先从文档库中召回数量较多的候选文档而 Ranker 在此基础上按查询相关度或业务规则对候选文档重新排序并把最相关的top_k个结果交给后续的 PromptBuilder 与 LLM。在 Haystack 中每个 Ranker 都是一个component装饰的组件统一暴露documentslist[Document]输出因此可以无缝插入任何 Pipeline 或 Agent 工作流。v2.20 版 Rankers API 共包含 7 个组件按用途可分为三类类别组件输入特性语义相似度重排HuggingFaceTEIRanker、SentenceTransformersSimilarityRanker、TransformersSimilarityRanker需要querydocuments元数据驱动排序/分组MetaFieldRanker、MetaFieldGroupingRanker仅需要documents利用meta字段上下文布局优化LostInTheMiddleRanker、SentenceTransformersDiversityRanker前者仅需documents后者需要querydocuments需要说明的是当前仓库主分支VERSION.txt 标记为3.2.0-rc0的 rankers 组件目录 已精简为LLMRanker、LostInTheMiddleRanker、MetaFieldRanker、MetaFieldGroupingRanker四个类而 HuggingFaceTEIRanker 与三个 SentenceTransformers/Transformers 系列组件属于 v2.20 版本化 API 文档所定义的内容。本文以该版本化文档为准逐一展开并用仍然存在于主分支中的源码佐证底层实现。HuggingFaceTEIRanker基于 TEI 端点的语义重排HuggingFaceTEIRanker根据文档与查询之间的语义相似度对文档重新排序。它通过调用 Text Embeddings InferenceTEIAPI 端点完成推理既可用于自托管 TEI 服务也可对接 Hugging Face Inference Endpoints 托管的 reranking 模型。初始化签名def __init__( *, url: str, top_k: int 10, raw_scores: bool False, timeout: Optional[int] 30, max_retries: int 3, retry_status_codes: Optional[list[int]] None, token: Optional[Secret] Secret.from_env_var([HF_API_TOKEN, HF_TOKEN], strictFalse) ) - None各参数含义如下url必填TEI 重排服务的 Base URL例如https://api.example.com或自托管地址http://localhost:8080。top_k返回的 Top 文档数量上限默认 10。raw_scores设为True时请求载荷中会携带原始相关性分数不做归一化。timeout请求超时时间秒默认 30。max_retries请求失败时的最大重试次数默认 3。retry_status_codes触发重试的 HTTP 状态码列表。为None时默认对 HTTP 408、418、429 和 503 进行重试。token用于 HTTP Bearer 授权的 Hugging Face Token通过Secret管理默认从环境变量HF_API_TOKEN或HF_TOKEN读取strictFalse表示未设置时不报错。是否必需取决于你的 TEI 服务端配置。完整用法示例from haystack import Document from haystack.components.rankers import HuggingFaceTEIRanker from haystack.utils import Secret reranker HuggingFaceTEIRanker( urlhttp://localhost:8080, top_k5, timeout30, tokenSecret.from_token(my_api_token) ) docs [Document(contentThe capital of France is Paris), Document(contentThe capital of Germany is Berlin)] result reranker.run(queryWhat is the capital of France?, documentsdocs) ranked_docs result[documents] print(ranked_docs) {documents: [Document(id..., content: the capital of France is Paris, score: 0.9979767), Document(id..., content: the capital of Germany is Berlin, score: 0.13982213)]}run 与 run_asyncrun方法签名如下component.output_types(documentslist[Document]) def run( query: str, documents: list[Document], top_k: Optional[int] None, truncation_direction: Optional[TruncationDirection] None ) - dict[str, list[Document]]query用于引导重排的用户查询字符串。documents待重排的Document对象列表。top_k可选运行时覆盖初始化时的返回数量上限。truncation_direction可选设置后按指定方向启用文本截断当输入长度超过模型上限时。方向由TruncationDirection枚举定义LEFT表示从文本左侧开头截断RIGHT表示从文本右侧结尾截断。异常行为API 请求失败时抛出requests.exceptions.RequestExceptionAPI 返回错误响应时抛出RuntimeError。返回值字典的documents键给出重排后的文档列表。run_async提供异步版本签名与run一致query、documents、top_k、truncation_direction区别在于请求失败时抛出httpx.RequestError。在 Pipeline 以异步模式运行时可以优先使用它避免阻塞事件循环。LostInTheMiddleRanker为 LLM 长上下文布局文档LostInTheMiddleRanker基于论文《Lost in the Middle: How Language Models Use Long Contexts》提出的现象设计当关键信息位于长上下文的中间位置时LLM 往往更难利用它而位于开头或结尾的信息更容易被模型关注。该组件据此把最相关的文档放在上下文开头和结尾最不相关的放在中间从而提升 LLM 对检索结果的利用率。它的使用前提是管线中已有前置组件如 Retriever按相关性完成了初步排序因此它不需要query输入只接收documents。它通常被用作构建 Prompt 之前的最后一个组件专门负责把文档内容排布进 LLM 输入上下文。初始化签名def __init__(word_count_threshold: Optional[int] None, top_k: Optional[int] None)word_count_threshold所有被选中文档的总词数上限。指定后该组件会依次纳入文档直到再加入一篇文档会超过阈值为止导致阈值被突破的那篇文档仍会被保留但其后的所有文档都会被丢弃。top_k返回文档数量上限。用法示例from haystack.components.rankers import LostInTheMiddleRanker from haystack import Document ranker LostInTheMiddleRanker() docs [Document(contentParis), Document(contentBerlin), Document(contentMadrid)] result ranker.run(documentsdocs) for doc in result[documents]: print(doc.content)运行机制与源码解析run的签名支持在运行时覆盖初始化参数component.output_types(documentslist[Document]) def run(documents: list[Document], top_k: Optional[int] None, word_count_threshold: Optional[int] None ) - dict[str, list[Document]]从 lost_in_the_middle.py 的源码可以看到具体的重排算法对应第 106-136 行先按文档 id 去重保留分数最高的副本再按top_k截取待排序文档若只剩 1 篇文档则直接返回若存在content为None的非文本文档抛出ValueError用索引插入法构建lost in the middle顺序第一个文档放在开头之后每篇文档插入到当前序列的中间偏后位置insertion_index len(lost_in_the_middle_indices) // 2 len(lost_in_the_middle_indices) % 2若设置了word_count_threshold在插入的同时累计词数一旦累计词数达到阈值即停止处理后续文档。例如对按相关性从高到低排列的[A, B, C, D, E]最终输出顺序会接近[A, E, D, B, C]——相关性最高的 A 留在开头次相关的文档被推向中间保证 LLM 最先和最后看到的内容质量最高。相关的单元测试位于 test_lost_in_the_middle.py可用于观察各边界场景单文档、词数阈值、非文本文档报错等的预期行为。MetaFieldRanker按元数据字段二次排序MetaFieldRanker根据文档meta字典中某个特定字段的值对文档排序支持降序或升序。典型应用场景包括按价格、评分、热度、日期等业务字段对检索结果二次排序并将排序结果与检索器给出的相关性分数按权重融合。初始化签名def __init__(meta_field: str, weight: float 1.0, top_k: Optional[int] None, ranking_mode: Literal[reciprocal_rank_fusion, linear_score] reciprocal_rank_fusion, sort_order: Literal[ascending, descending] descending, missing_meta: Literal[drop, top, bottom] bottom, meta_value_type: Optional[Literal[float, int, date]] None)参数详解meta_field必填用于排序的元数据字段名例如rating。weight取值范围 [0, 1]控制前序组件Retriever/Ranker的相关性排序与元字段排序的权重0完全禁用元字段排序直接返回前序排序结果0.5两种排序各占一半权重1仅按元字段排序。top_k每次查询返回的文档数量上限不提供时返回全部文档按新排序顺序。ranking_mode合并 Retriever 分数与 Ranker 分数的方式取值reciprocal_rank_fusion默认即倒数排名融合 RRF或linear_score线性分数。linear_score模式仅适用于分数落在 [0,1] 区间的 Retriever 或 Ranker。sort_order元字段排序方向descending默认降序或ascending升序。missing_meta对缺少该元字段的文档的处理策略drop直接丢弃这些文档top无论升降序都把它们放在元字段排序结果的最前面bottom默认放在最后面。meta_value_type排序前把字符串形式的元数据值解析为指定类型仅当meta_field下的所有值都是字符串时有效。可选值float解析为浮点数int解析为整数date解析为 datetime 对象例如2015-02-01会被解析后按日期排序None默认不解析。用法示例from haystack import Document from haystack.components.rankers import MetaFieldRanker ranker MetaFieldRanker(meta_fieldrating) docs [ Document(contentParis, meta{rating: 1.3}), Document(contentBerlin, meta{rating: 0.7}), Document(contentBarcelona, meta{rating: 2.1}), ] output ranker.run(documentsdocs) docs output[documents] assert docs[0].content Barcelonarun 参数与排序流程run支持对初始化参数做运行时覆盖top_k、weight、ranking_mode、sort_order、missing_meta、meta_value_type均为可选未提供时回退到初始化值。排序过程分三步见 meta_field.py 第 162-327 行按元字段排序先把文档按meta_field的值升序或降序排序融合两路排序按照ranking_mode与weight把前序组件给出的相关性排序与基于元字段的排序合并截取 top-k返回前top_k篇文档。实现细节值得注意排序前会先调用_deduplicate_documents按文档 id 去重保留分数最高的副本当weight 0时直接返回去重后的前top_k篇原始文档第 253-255 行。若所有文档都缺少meta_field键组件会打印警告并直接返回去重后的前top_k篇文档第 260-270 行若只有部分文档缺失则按missing_meta策略处理并给出相应警告第 272-295 行。类型解析失败如meta_value_typedate但值无法解析或混入不可比较的异构类型如 int 与 list导致TypeError时组件会打印警告并退回按原始顺序返回第 297-313 行不会让管线崩溃。RRF 实现_calculate_rrf使用1 / (k rank)其中常数K取 61论文建议 60因 Python 列表从 0 开始编号而原文使用 1-based 排名故 1见 meta_field.py。linear_score 实现_calc_linear_score按(amount - rank) / amount线性缩放把元字段排名映射到 [0,1] 区间从而压制离群值、与 Retriever 分数量纲对齐见 meta_field.py同时会校验 Document 自带 score 是否在 [0,1] 内越界或缺省时按 0 处理并告警第 387-402 行。参数校验在初始化和每次run时都会执行_validate_paramstop_k必须 0weight必须在 [0,1]ranking_mode只能是reciprocal_rank_fusion或linear_scoresort_order只能是ascending或descendingmeta_value_type只能是float、int、date或None否则抛出ValueError。对应测试位于 test_metafield.py。MetaFieldGroupingRanker按元数据分组编排文档MetaFieldGroupingRanker通过元数据键对文档进行分组而非排序用主键group_by分组用可选次键subgroup_by分组内再分小组还可以用sort_docs_by键对组/小组内的文档排序。输出是一个按group_by、subgroup_by值排序的扁平文档列表没有分组的文档会被放在列表末尾。恰当的文档组织有助于提升 LLM 后续处理的效率与效果。初始化签名def __init__(group_by: str, subgroup_by: Optional[str] None, sort_docs_by: Optional[str] None)group_by必填用于聚合文档的元数据键。subgroup_by可选在group_by形成的组内再按此键聚合。sort_docs_by可选决定组/小组内文档按哪个元数据键排序不提供时保持文档在组内的原始插入顺序。完整用法示例from haystack.components.rankers import MetaFieldGroupingRanker from haystack.dataclasses import Document docs [ Document(contentJavascript is a popular programming language, meta{group: 42, split_id: 7, subgroup: subB}), Document(contentPython is a popular programming language,meta{group: 42, split_id: 4, subgroup: subB}), Document(contentA chromosome is a package of DNA, meta{group: 314, split_id: 2, subgroup: subC}), Document(contentAn octopus has three hearts, meta{group: 11, split_id: 2, subgroup: subD}), Document(contentJava is a popular programming language, meta{group: 42, split_id: 3, subgroup: subB}) ] ranker MetaFieldGroupingRanker(group_bygroup,subgroup_bysubgroup, sort_docs_bysplit_id) result ranker.run(documentsdocs) print(result[documents]) # [ # Document(idd665bbc83e52c08c3d8275bccf4f22bf2bfee21c6e77d78794627637355b8ebc, # content: Java is a popular programming language, meta: {group: 42, split_id: 3, subgroup: subB}), # Document(ida20b326f07382b3cbf2ce156092f7c93e8788df5d48f2986957dce2adb5fe3c2, # content: Python is a popular programming language, meta: {group: 42, split_id: 4, subgroup: subB}), # Document(idce12919795d22f6ca214d0f161cf870993889dcb146f3bb1b3e1ffdc95be960f, # content: Javascript is a popular programming language, meta: {group: 42, split_id: 7, subgroup: subB}), # Document(idd9fc857046c904e5cf790b3969b971b1bbdb1b3037d50a20728fdbf82991aa94, # content: A chromosome is a package of DNA, meta: {group: 314, split_id: 2, subgroup: subC}), # Document(id6d3b7bdc13d09aa01216471eb5fb0bfdc53c5f2f3e98ad125ff6b85d3106c9a3, # content: An octopus has three hearts, meta: {group: 11, split_id: 2, subgroup: subD}) # ]从示例可见三篇group42的文档被聚到一起组内按split_id升序排列3 → 4 → 7随后依次是group314与group11的文档——输出顺序与group_by、subgroup_by元数据值首次出现的顺序一致。运行机制与源码解析run只接收一个参数documentslist[Document]输出{documents: ...}。从 meta_field_grouping_ranker.py 源码可见其核心逻辑第 92-141 行输入为空时直接返回空列表随后按文档 id 去重用嵌套defaultdict构造group → subgroup → docs的两级映射缺失group_by键的文档进入no_group_docs未设置subgroup_by或缺失该键时使用默认子组键no_subgroup若设置了sort_docs_by则组内按(d.meta.get(sort_field) is None, d.meta.get(sort_field))排序缺失该键的文档排在组内最后若组内出现不可比较的异构类型引发TypeError则打印警告并保持原插入顺序与 MetaFieldRanker 的行为保持一致最后把各组文档按组序拼接并把no_group_docs追加到末尾。对应测试位于 test_meta_field_grouping_ranker.py。这一组件非常适合多文档分块检索后需要按来源文档聚拢片段再交给 LLM 的场景——比如按group来源文档 id聚合、按split_id分块序号恢复片段先后顺序从而避免上下文碎片化。SentenceTransformersDiversityRanker多样性重排SentenceTransformersDiversityRanker是一个基于 Sentence Transformers 的多样性排序器支持两种策略Greedy Diversity Order贪心多样性序使用预训练的 Sentence Transformers 模型对查询与文档做嵌入然后按与查询的相似度对文档排序同时最大化已选文档集合的整体多样性。Maximum Margin RelevanceMMR最大边际相关对每篇文档按与查询的相关性和与已选文档的多样性计算 MMR 分数迭代选取 MMR 分数最高的文档从而在相关性与多样性之间取得平衡lambda_threshold控制二者的权衡。初始化签名def __init__( model: str sentence-transformers/all-MiniLM-L6-v2, top_k: int 10, device: Optional[ComponentDevice] None, token: Optional[Secret] Secret.from_env_var( [HF_API_TOKEN, HF_TOKEN], strictFalse), similarity: Union[str, DiversityRankingSimilarity] cosine, query_prefix: str , query_suffix: str , document_prefix: str , document_suffix: str , meta_fields_to_embed: Optional[list[str]] None, embedding_separator: str \n, strategy: Union[str, DiversityRankingStrategy] greedy_diversity_order, lambda_threshold: float 0.5, model_kwargs: Optional[dict[str, Any]] None, tokenizer_kwargs: Optional[dict[str, Any]] None, config_kwargs: Optional[dict[str, Any]] None, backend: Literal[torch, onnx, openvino] torch)参数详解model模型在 Hugging Face Hub 上的名称或本地路径默认sentence-transformers/all-MiniLM-L6-v2。top_k每次查询返回的文档数量上限默认 10。device模型加载设备None时自动选择默认设备。token下载私有模型时使用的 Hugging Face API Token默认从HF_API_TOKEN/HF_TOKEN环境变量读取。similarity嵌入相似度度量可选dot_product默认或cosine组件默认值为cosine见上方签名。query_prefix/query_suffix排序前追加到查询文本开头/结尾的字符串一些嵌入模型如 E5、BGE要求按指令前缀输入可借此注入。document_prefix/document_suffix排序前追加到每篇文档文本开头/结尾的字符串用途同上。meta_fields_to_embed需要与文档内容一起参与嵌入的元数据字段列表。embedding_separator把元数据字段拼接到文档内容时使用的分隔符默认\n。strategy多样性排序策略greedy_diversity_order默认或maximum_margin_relevance。lambda_threshold相关性与多样性之间的权衡参数仅maximum_margin_relevance策略使用默认 0.5。model_kwargs/tokenizer_kwargs/config_kwargs分别透传给AutoModelForSequenceClassification.from_pretrained、AutoTokenizer.from_pretrained、AutoConfig.from_pretrained的额外关键字参数。backendSentence Transformers 模型的后端可选torch、onnx或openvino用于加速与量化场景。生命周期与运行warm_up()初始化组件加载模型首次run前必须调用。run(query, documents, top_kNone, lambda_thresholdNone)top_k与lambda_threshold可在运行时覆盖初始化值。若top_k 0 抛出ValueError若组件未warm_up则抛出RuntimeError。to_dict()/from_dict()支持组件序列化与反序列化便于存入 YAML/JSON 格式的管线定义。配套的两个枚举DiversityRankingStrategy与DiversityRankingSimilarity都提供__str__()与from_str()静态方法用于枚举与字符串之间的互转。用法示例from haystack import Document from haystack.components.rankers import SentenceTransformersDiversityRanker ranker SentenceTransformersDiversityRanker(modelsentence-transformers/all-MiniLM-L6-v2, similaritycosine, strategygreedy_diversity_order) ranker.warm_up() docs [Document(contentParis), Document(contentBerlin)] query What is the capital of germany? output ranker.run(queryquery, documentsdocs) docs output[documents]该组件适合候选文档高度相似的召回场景——例如大量重复或雷同的搜索结果——用多样性排序避免把几乎一样的内容全部塞进 LLM 上下文从而扩大信息覆盖面。SentenceTransformersSimilarityRankercross-encoder 语义重排SentenceTransformersSimilarityRanker使用 Hugging Face 的预训练cross-encoder模型计算查询与文档的语义相似度并据此排序。cross-encoder 把查询与文档拼接后整体过编码器精度通常高于 bi-encoder 式的检索嵌入因此适合作为检索后的精排环节。初始化签名def __init__(*, model: Union[str, Path] cross-encoder/ms-marco-MiniLM-L-6-v2, device: Optional[ComponentDevice] None, token: Optional[Secret] Secret.from_env_var( [HF_API_TOKEN, HF_TOKEN], strictFalse), top_k: int 10, query_prefix: str , document_prefix: str , meta_fields_to_embed: Optional[list[str]] None, embedding_separator: str \n, scale_score: bool True, score_threshold: Optional[float] None, trust_remote_code: bool False, model_kwargs: Optional[dict[str, Any]] None, tokenizer_kwargs: Optional[dict[str, Any]] None, config_kwargs: Optional[dict[str, Any]] None, backend: Literal[torch, onnx, openvino] torch, batch_size: int 16)参数详解modelcross-encoder 模型的本地路径或 Hugging Face 模型名默认cross-encoder/ms-marco-MiniLM-L-6-v2。device模型加载设备None时自动选择。token下载私有模型用的 HF Token。top_k每次查询返回的文档数量上限默认 10。query_prefix/document_prefix追加在查询/文档文本开头的指令前缀供bge等需要指令前缀的模型使用。meta_fields_to_embed与文档一起嵌入的元数据字段列表。embedding_separator拼接元数据字段与文档内容的分隔符默认\n。scale_scoreTrue时用 Sigmoid 激活函数对原始 logit 预测做缩放使其落在 0~1 区间False时禁用缩放。score_threshold只返回分数高于该阈值的文档。trust_remote_codeFalse时仅允许 Hugging Face 官方验证的模型架构True时允许自定义模型与脚本。model_kwargs/tokenizer_kwargs/config_kwargs透传给模型、分词器、配置加载的额外参数。backendtorch、onnx或openvino用于加速与量化。batch_size推理批大小默认 16。批越大占用内存越多遇到内存不足时应调小。参数校验若top_k不是 0初始化即抛出ValueError。生命周期与运行warm_up()加载模型首次run前必须调用。run(*, query, documents, top_kNone, scale_scoreNone, score_thresholdNone)三个可选参数均可覆盖初始化值。若top_k 0 抛出ValueError若未warm_up则抛出RuntimeError。返回{documents: [...]}文档按与查询的相似度从高到低排列。to_dict()/from_dict()支持序列化与反序列化。用法示例from haystack import Document from haystack.components.rankers import SentenceTransformersSimilarityRanker ranker SentenceTransformersSimilarityRanker() docs [Document(contentParis), Document(contentBerlin)] query City in Germany ranker.warm_up() result ranker.run(queryquery, documentsdocs) docs result[documents] print(docs[0].content)TransformersSimilarityRanker兼容旧版LegacyTransformersSimilarityRanker与SentenceTransformersSimilarityRanker功能相同——同样使用 Hugging Face 的预训练 cross-encoder 模型按语义相似度排序。但该组件在 v2.20 文档中已被明确标注为legacy旧版不再接收更新未来版本可能先进入弃用期、随后被移除官方建议改用功能相同且特性更多的SentenceTransformersSimilarityRanker。初始化签名def __init__(model: Union[str, Path] cross-encoder/ms-marco-MiniLM-L-6-v2, device: Optional[ComponentDevice] None, token: Optional[Secret] Secret.from_env_var( [HF_API_TOKEN, HF_TOKEN], strictFalse), top_k: int 10, query_prefix: str , document_prefix: str , meta_fields_to_embed: Optional[list[str]] None, embedding_separator: str \n, scale_score: bool True, calibration_factor: Optional[float] 1.0, score_threshold: Optional[float] None, model_kwargs: Optional[dict[str, Any]] None, tokenizer_kwargs: Optional[dict[str, Any]] None, batch_size: int 16)多数参数含义与SentenceTransformersSimilarityRanker一致两个关键差异是calibration_factor概率校准因子仅在scale_scoreTrue时生效计算公式为sigmoid(logits * calibration_factor)默认 1.0。参数集合更精简没有trust_remote_code、config_kwargs与backend选项。run(query, documents, top_kNone, scale_scoreNone, calibration_factorNone, score_thresholdNone)同样支持运行时覆盖。异常行为top_k 0 或scale_scoreTrue且未提供calibration_factor时抛出ValueError未warm_up时抛出RuntimeError。用法示例from haystack import Document from haystack.components.rankers import TransformersSimilarityRanker ranker TransformersSimilarityRanker() docs [Document(contentParis), Document(contentBerlin)] query City in Germany ranker.warm_up() result ranker.run(queryquery, documentsdocs) docs result[documents] print(docs[0].content)组件选型建议与综合运用把上述组件放入真实的 RAG 管线时可以按以下思路组合召回 语义精排Retriever 召回的候选文档先经过HuggingFaceTEIRanker有 TEI 服务或SentenceTransformersSimilarityRanker本地 cross-encoder做语义精排得到相关性最高的 top-k业务规则干预若排序还需叠加价格、日期等业务字段用MetaFieldRanker通过weight与ranking_mode控制相关性与业务字段的融合比例需要把碎片文档按来源聚拢时用MetaFieldGroupingRanker按group_by/subgroup_by/sort_docs_by重组上下文上下文布局优化在构建 Prompt 前用LostInTheMiddleRanker把最相关内容排布到上下文首尾或用SentenceTransformersDiversityRanker去除冗余、扩大覆盖面维护与迁移新代码优先选用SentenceTransformersSimilarityRanker而非 legacy 的TransformersSimilarityRanker所有组件都实现了to_dict/from_dict可被完整序列化进 YAML 管线定义便于版本管理与 CI 测试。需要留意的是本文中 TEI 与 SentenceTransformers 系列组件依据 v2.20 版本化 API 文档撰写而当前仓库主分支的 rankers 组件目录 仅保留了LLMRanker、LostInTheMiddleRanker、MetaFieldRanker、MetaFieldGroupingRanker。在使用前请根据你实际安装的 Haystack 版本确认可用的组件清单并以对应版本的 API 文档与 pydoc/rankers_api.yml 配置为准。【免费下载链接】haystackOpen-source AI orchestration framework for building context-engineered, production-ready LLM applications. Design modular pipelines and agent workflows with explicit control over retrieval, routing, memory, and generation. Built for scalable agents, RAG, multimodal applications, semantic search, and conversational systems.项目地址: https://gitcode.com/GitHub_Trending/ha/haystack创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考