📝 **Frage:** **Schreiben Sie die Funktion** \`rrf(rankings, k=60)\` – Reziproke Rangfusion. Nimmt eine Liste von Rankings (jede Ranking ist eine geordnete Liste von Dokument-IDs vom besten zum schlechtesten von einem einzelnen Retriever) und gibt den zusammengeführten Top-K als Liste von Dokument-IDs zurück, sortiert nach der RRF-Gesamtpunktzahl, die höchste zuerst. Formel für ein Dokument in einem Ranking an der nullindizierten Position „Rang“: \`\`\` Punktzahl = 1 / (k + Rang) \`\`\` Summe der Punkte aller Rankings für jedes Dokument; Sortieren Sie die Dokumente absteigend nach der Gesamtpunktzahl. Verschmelzen Sie dann einen Vektor und einen BM25-Retriever für eine „SKU-4471“-Abfrage: \`\`\` vector = ["doc-A", "doc-B", "doc-C", "doc-D"] # vector hält A für das Beste bm25 = ["doc-D", "doc-A", "doc-E", "doc-F"] # bm25 setzt D an die erste Stelle (entspricht der SKU) \`\`\` Drucken Sie die zusammengeführten Top-4 als Python-Liste aus: \`\`\` ['doc-A', 'doc-D', 'doc-B', 'doc-C'] \`\`\` A taucht in beiden Listen auf hohen Rängen auf → gewinnt. D war die Nummer 1 in BM25 → schlägt B und C, obwohl Vector es nicht favorisierte. Das ist RRF: Dokumente werden von JEDER Retriever-Oberfläche hoch bewertet. 📋 Wählen Sie die richtige Antwort. 💡 **Hinweis:** Lesen Sie die obige Theorie noch einmal, wenn Sie sich nicht sicher sind.