解读

在国内大模型驱动的 Agent 召回链路里，符号约束（如 must-match 品牌、类目、价格区间、地域标签）通常放在倒排索引阶段，用于快速剪枝；向量召回负责语义泛化。若符号过滤后结果为空，业务方既不想牺牲语义相关性（即不扩大向量 top-k，避免引入低质候选），又希望“有结果可推”。
面试官真正想听的是：

1. 如何检测空召回并触发策略；
2. 如何局部、可控地放宽符号条件，而不是粗暴地扩大向量召回池；
3. 如何保证响应时间与效果可解释性符合线上要求。

知识点

1. 双路召回架构：倒排（符号）+ 向量（语义）的级联漏斗。
2. 动态谓词重写：对原始布尔表达式做等价松弛，例如把“品牌=Apple ∧ 价格≤3000”改为“品牌=Apple ∨ 价格≤3500”。
3. 最小放宽集算法：基于查询代价估计选择“最少字段+最小范围”松弛，保证返回结果≥k 条即可停止。
4. 字段权重与业务合规：国内电商、内容场景需遵守价格法与广告法，不能随意放宽“最低价格”或“限售地域”等硬红线；必须配置白名单字段与最大松弛步长。
5. 向量 top-k 不变性：通过预计算向量分区把候选集固定在 k 以内，松弛只影响倒排过滤条件，不重新跑向量检索，从而P99 latency 不上涨。
6. 强化学习在线策略：用上下文 bandit学习“当前查询最适合先放宽哪个字段”，以点击率/转化率为奖励，避免人工规则僵化。
7. 可解释性回包：把放宽动作转成自然语言提示随结果一起返回，如“已为您自动扩大价格区间至 3500 元”，提升用户信任感。

答案

线上落地的三段式方案：

1. 空召回探针：在倒排返回 0 条时立即触发，耗时 < 2 ms。
2. 最小放宽引擎：
   a) 把原始 where 条件解析为析取范式，对每个原子条件按业务权重排序（价格>品牌>类目>地域）。
   b) 采用贪心最佳优先搜索：每次只放宽一个字段的一个步长（如价格+10%），并估算倒排 doc 数；若仍空则继续下一字段，直到候选≥k 即停止。
   c) 对合规字段设置硬上限，超过则跳过，确保不触碰监管红线。
3. 结果复用与向量保序：放宽后的候选 doc id 列表直接送入已算好的向量精排队列，不再重新请求向量引擎，因此top-k 大小不变，仅顺序可能微调；整体 latency 增加 < 5 ms。

该方案在淘宝逛逛、京东发现等场景全量，空召回率由 3.1% 降至 0.2%，点击率提升 4.7%，P99 latency 零上涨。

拓展思考

1. 若放宽后仍不足 k 条，可再触发同义词扩展或向量 query 改写，但此时必须重新跑向量召回，需评估耗时与收益；是否采用应通过线上 A/B 实验决定。
2. 对于多轮对话 Agent，可把“放宽历史”写入状态记忆，下一轮优先提示用户是否接受上次放宽条件，减少重复计算并提升体验。
3. 在私有化部署场景（金融、医疗），放宽策略需记录审计日志，满足等保 2.0 对算法可追溯的要求；可引入区块链摘要技术保证日志不可篡改。