检索前五条都在重复同一段，怎样用 MMR 留出互补材料的位置

MMR每次同时考虑候选对问题的相关性，以及它与已选材料的最大相似度，按贪心过程挑下一条。这样能让部分重复上下文让位给互补材料，但多样性不等于正确性，候选集中没有答案时也不能靠重排补出证据。

把两种相似度分开看

附件用手工向量表示查询和四条候选。相关性是查询与候选的余弦，冗余性则是候选与已经选中材料的余弦。a与b方向很近，c提供另一方向的信息，d与查询的联系较弱。真实检索可以采用不同的相关性来源，但数值尺度需要先检查；不能把一个任意范围的相关分数与余弦直接相减，再把结果称为通用最优排序。

逐轮记录选择依据

样例采用lambda乘相关性，减去一减lambda乘最大冗余性。第一轮尚无已选材料，冗余项按零处理；之后每选择一条，都重新计算剩余候选对已选集合的最大相似度。mmr-steps.csv记录每轮的候选、相关性、冗余值及最终分数。lambda为1时只看原相关性，lambda为0.5时会给互补方向留出位置，读者可以看到选择究竟在哪一轮变化。

不把低lambda当成越多样越好

附件还列出0.05的极低权重对照，显示过度惩罚相似性可能把偏离问题的材料提前。实际使用应在固定开发问题上检查答案所需证据是否更完整，而不只是统计重复字数下降。若两段内容相似却分别提供不同时间的修订信息，简单排斥相似也可能丢掉关键差别；文本与来源仍需人工核读。

先保证候选本身可用

失败命令加入零向量，余弦无法定义，程序明确停止；向量维数与非有限数值也需要在接入时核对。重排只能选择已经进入候选池的材料，前阶段没有召回的证据不会自动出现。重复内容可能采用不同表达，向量距离也不保证逐字去重。这个下载包演示的是本地算法与选择过程，没有运行嵌入模型或评测真实知识库，lambda也没有普遍适用的固定值。

把重排前后的候选全文并排看，确认新进入的材料确实补上问题所需维度。只看向量会忽略来源新旧、相反结论和适用条件；若两段互相矛盾，应该保留并标出冲突，而不是为了低相似度把其中一段当作多样性奖励。

下载与复现

下载完整样例包，解压到一个新文件夹；也可查看全部文件清单和主脚本。使用Python 3.10或更新版本，在解压目录运行。此脚本只使用标准库，无需安装额外包。

python -B run.py
python -B run.py --negative

先查看主要结果，再修改输入重跑；已有输入会保留，结果写回同目录。边界命令可能故意非零退出，也可能输出明确的不适用状态，按正文说明判断，不把所有非零退出都当成安装故障。

依据与延伸阅读

资料核对日期为2026年10月24日。一手资料1：原始MMR论文以相关性与已选内容相似度的折中进行选择，多样性不保证事实正确。

相关参考2：余弦相似度表达归一化向量点积；零向量需由应用定义处理。

继续阅读：检索都找到了相关段落，怎样比较重要段落是否排在前面；向量值没变但最近结果变了，怎样用小样本选清楚余弦与欧氏距离。