与该标签相关的文章、问题和作品。
整理自公开社区讨论，重新表述为中文问题。 很多团队第一次做评测时，检索指标看起来不错，真实用户却仍然抱怨不好用。社区里最容易争论的点在于：到底是检索没真的解决问题，还是回答层把好证据浪费掉了。 想请教： 1. top k 命中好但体验差，最常见的根因有哪些？ 2. 人工体验差时应该先补哪类人工标注？ 3. 怎样避免只优化单一离线指标？