RAG リトリーブが失敗した場合、エンジニアに「リランナーを追加する」と言われます。しかし説明はしばしばアーキテクチャーレベルにとどまり—クロスエンコーダ、注意機構、または関連性訓練モデル—モデルが実際に何を学んだかを明かさずに。このギャップは重要です：チームはリランナーの使用を正当化できず、安価なキーワード検索で十分な場合を見極めることができません。正直な答えは、リランナーがその下の埋め込みステップより賢いわけではないことです。学習データから同じ統計的トークン関連付けを使用していますが、独立したテキストではなくクエリ-パッシブペアに条件付けられています。理解した後、リランナーを使用する決定は「チュートリアルの言う通り」から「特定のトレードオフが価値がある場合」へと変わります。記事はメカニズムを歩みます：リランナーはクロスエンコーダーのトランスフォーマーで、関連性ラベルで訓練され、トークン共起に基づいてスコアを Produces、真の理解ではありません。エンタープライズRAGシステムに3つのアーキテクチャー的影響を強調します。パートナーのノートブックは、ユーザーがPDFでリランナーをテストできるようにし、どのキーワードがランキングを駆動しているかを示します。この記事はエンタープライズ文書インテリジェンスシリーズの第I部で、埋め込みトリプティック（2A/2B/2C）と並行し、Prompt、Context、Loopフレームワークの上に構築されています。