混合检索
定义
混合检索也叫多路召回或者融合检索，不仅限于向量检索和关键词检索的叠加。
比如同时从文档库和数据库检索，或者同时用多个不同的 Embedding 模型做向量检索，最后把结果融合起来，都算混合检索。
只不过在大模型 RAG 场景下，混合检索最常见的形态就是向量检索 + 关键词检索 。
两种检索方式各有软肋：
● 向量检索：擅长语义理解，比如 "猫捕猎老鼠" 和 "猫追逐老鼠" 能匹配上；但难以精准匹配专有名词（如 "iPhone 15"）。
● 关键词检索：精确匹配没问题，但理解不了语义，用户问 "怎么减肥"，它匹配不到 "如何瘦身"。
混合检索就是两条路并行走：
- 分别执行向量检索和关键词检索
- 把两边的结果融合起来
- 用权重加权或者 RRF 算法重排序
- 取最优结果喂给大模型
实现方案
- Elasticsearch 8.0+ ：原生支持
dense_vector字段和 knn 查询，可以在一个查询里同时做向量检索和关键词检索，用bool query组合结果。 - Milvus + 外部搜索引擎：Milvus 专门做向量检索，配合 Elasticsearch 做关键词检索，在应用层做结果融合。
- LlamaIndex / LangChain：这类框架封装了混合检索的能力，简单配置即可使用，适合快速搭建原型系统。
结果融合策略
两路检索的结果怎么合并是个技术活，常见做法有两种：
- 加权求和
给向量检索和关键词检索的分数分别乘以权重，加起来算总分。比如向量检索权重 0.7，关键词检索权重 0.3，最后按总分排序。
-
权重怎么定？没有万能的黄金比例，需要根据业务场景调：
-
- 文档里专有名词、ID 类查询多：关键词检索权重可调高到 0.4-0.5
-
- 主要是自然语言问答：向量检索权重可给到 0.7-0.8
-
调参技巧：准备一批有标注的测试集，跑不同权重组合，观察召回率和准确率的变化，找到最优点；线上还可以做 A/B 测试持续优化。
- RRF 算法（Reciprocal Rank Fusion）
不看分数只看排名，对每个文档计算1/(k+rank)（k 一般取 60），然后把两路的分数加起来。
-
- 好处：不用关心两路检索分数的量纲差异，直接用排名计算，避免了分数归一化的问题。
一些追问
1. 向量检索和关键词检索的权重一般怎么定？有什么调参技巧？
没有万能的黄金比例，得根据业务场景调：
- 文档里专有名词、ID 类查询多：关键词检索权重可调高到 0.4-0.5。
- 主要是自然语言问答：向量检索权重可给到 0.7-0.8。
- 调参技巧：准备一批有标注的测试集，跑不同权重组合，看召回率和准确率的变化，找到最优点；线上还可以做 A/B 测试持续优化。
2. 混合检索和 Rerank 是什么关系？能一起用吗？
能一起用，而且建议一起用：
- 混合检索解决的是召回阶段的问题，让召回的候选文档更全面。
- Rerank 解决的是精排阶段的问题，让最终送给大模型的文档更精准。
- 典型流程：向量检索召回 Top 50，关键词检索召回 Top 50，RRF 融合后取 Top 100，然后用 Rerank 模型精排，最后取 Top 5 喂给大模型。两者是互补关系，不是替代关系。
3. 如果关键词检索和向量检索的结果完全没有交集，怎么处理？
这种情况说明两路检索的视角差异很大，需要分情况处理：
- 如果用户 Query 明显是搜专有名词或 ID：关键词检索的结果更可信，可以给关键词检索更高权重甚至只用关键词检索的结果。
- **如果用户 Query 是自然语言问题：**向量检索的结果更可信。
- 进阶方案：做个简单的 Query 分类器，判断 Query 类型后动态调整两路的权重。