Hybrid Retrieval & RRF Fusion: 解释检索系统的一致性（训练-服务）问题。

Core Concept: 训练与线上服务的特征/模型/预处理必须一致；不一致会导致离线好而线上差（最常见的线上事故来源）。

数学机理：<strong>训练-服务一致性（training-serving consistency）</strong> 的挑战——模型在<strong>离线训练</strong>时的输入与<strong>线上服务</strong>时的输入<strong>必须一致</strong>；不一致称为 <strong>训练-服务偏斜（training-serving skew）</strong>。<strong>常见来源</strong>——(1) <strong>预处理差异</strong>——(a) 分词/归一化/截断的实现不同（离线用 Python、线上用 C++/Java）；(b) 嵌入模型版本不同（离线用 v1、线上用 v2 → 向量空间不一致）；(c) 图像 resize/插值不同（见 M6 的预处理题）。(2) <strong>特征计算差异</strong>——(a) <strong>时间窗</strong>（离线的'过去 7 天'与线上的'过去 7 天'边界不同）；(b) <strong>聚合方式</strong>（离线批量算 vs 线上流式算，浮点误差累积）；(c) <strong>数据源</strong>（离线用数仓、线上用缓存，可能不同步）。(3) <strong>时间维度</strong>——(a) <strong>特征泄漏</strong>（离线特征含'未来信息'，线上没有）；(b) <strong>特征更新延迟</strong>（线上特征可能过期）。(4) <strong>模型/配置版本</strong>——(a) 模型权重版本；(b) 超参/阈值；(c) 特征列表（离线训练用了 100 个特征、线上只提供 95 个）。(5) <strong>依赖版本</strong>——库版本、词典、停用词表、同义词表。<strong>后果</strong>——(a) <strong>离线好线上差</strong>（最经典的失败）；(b) 难以定位（因为离线指标正常）；(c) 可能导致'模型上线后效果反而变差'。<strong>对策</strong>——(1) <strong>共享代码</strong>——预处理/特征计算用<strong>同一份代码</strong>（或同一份配置驱动）；(2) <strong>特征平台（feature store）</strong>——统一管理特征定义与计算（离线/线上用同一份定义）；(3) <strong>线上回放验证</strong>——把<strong>线上真实请求</strong>回放到离线链路，比较'离线计算的分数'与'线上实际分数'（若差异大则有不一致）；(4) <strong>日志完整记录</strong>——记录线上推理的<strong>所有输入特征</strong>（便于离线复现与对比）；(5) <strong>一致性测试</strong>——CI 中加入'训练-服务一致性测试'；(6) <strong>版本管理</strong>——严格管理模型/词典/配置版本；(7) <strong>监控</strong>——监控'线上特征分布'与'离线训练分布'的差异（漂移检测）。<strong>与其他问题的关系</strong>——(a) 与 M3 的'训练-推理不一致'（dropout/BN）同源（都是'训练与推理行为不同'）；(b) 与 M5 的'chat template 一致性'同源。<strong>实践建议</strong>——(a) <strong>共享代码/配置</strong>（最基本）；(b) <strong>特征平台</strong>（规模化后必需）；(c) <strong>线上回放</strong>（定期验证）；(d) <strong>记录所有线上输入</strong>（便于调试）；(e) <strong>版本严格管理</strong>。<strong>度量</strong>——(a) 回放时'离线分数 vs 线上分数'的差异；(b) 特征分布的漂移；(c) 离线-线上的指标差距。

深度剖析与工程权衡：① <strong>'离线好线上差'是最经典的失败</strong>——而训练-服务偏斜是最常见的原因；面试中能指出这一点是深度理解的标志（且体现工程经验）。② <strong>'共享代码/配置'是最基本的对策</strong>——但组织上常难做到（不同团队用不同技术栈）；故需<strong>特征平台</strong>。③ <strong>'线上回放验证'是最有效的检测手段</strong>——它直接比较'离线与线上的分数'；应定期做。④ <strong>'记录所有线上输入'是调试的基础</strong>——没有日志就无法复现与定位。⑤ <strong>'特征泄漏'是另一类问题</strong>——离线特征含未来信息（线上没有）；这会导致'离线虚高'。⑥ <strong>面试要点</strong>——被问'离线好线上差怎么办'，应给出'<strong>训练-服务偏斜（预处理/时间窗/数据源/版本）+ 对策（共享代码/特征平台/线上回放/日志/监控）</strong>'；能指出'记录所有线上输入'是深度理解的标志。