# Precision 与 Recall 的权衡

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 2 章 模型评估
- 页码线索：023
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：evaluation, precision, recall, RAG

## 面试问题

精确率和召回率如何取舍？

## 30 秒回答

Precision 关注返回结果有多准，Recall 关注相关结果找回多少。取舍取决于业务错误成本：误报贵就重 precision，漏报贵就重 recall。

## 展开要点

- 搜索推荐通常要看不同 Top N 下的 precision 和 recall。
- 提高阈值通常提升 precision 但降低 recall。
- P-R 曲线比单点指标更能反映模型整体表现。
- F1 是调和平均，但业务上未必总是等权。

## 高频追问

- 为什么冷门内容搜索更关心 recall？
- 如何选择 Top K？
- F1 什么时候不适合？

## 项目映射

- 知识库问答：召回不足会导致模型不知道答案，召回过宽会引入噪声。
- 内容审核：误杀和漏放分别对应 precision/recall 的不同代价。

## AI PM 迁移

RAG 的检索评估就是 precision/recall 权衡：既要找全证据，又不能塞太多噪声进上下文。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。