Когда поиск RAG разочаровывает, инженерам говорят «добавить переранжировщик». Но объяснения часто остаются на архитектурном уровне—cross-encoder, механизм внимания или модель, обученная на релевантности—без раскрытия того, что модель на самом деле выучила. Эта пропасть важна: команды не могут обосновать использование переранжировщика или понять, когда дешевый поиск по ключевым словам будет достаточно. Честный ответ: переранжировщик не умнее шага эмбеддингов под ним. Он использует ту же статистическую ассоциацию токенов из обучающих данных, просто условированная на пар «запрос-текст» вместо независимых текстов. После понимания решение о использовании переранжировщика переходит от «потому что туториал так сказал» к «только когда конкретная торговля стоит оплачиваемых усилий». Статья проходит по механизму: переранжировщик — это трансформер (cross-encoder), обученный на метках релевантности,producing a score based on token co-occurrence, а не на истинном понимании. Он подчеркивает три архитектурных последствия для enterprise RAG-систем. Соратнический блокнот позволяет пользователям протестировать переранжировщик на PDF, показав, какие ключевые слова определяют рейтинг. Эта статья является частью I серии Enterprise Document Intelligence, alongside the embeddings triptych (2A/2B/2C), и строится на фреймворме Prompt, Context, Loop.