现代搜索引擎的核心框架的确可以概括为 召回（Recall） 和 排序（Ranking） 两大环节。
在大规模工业系统中，这个流程通常被细化为 召回 → 粗排 → 精排 → 重排 的级联架构，但本质上仍属于"先找到候选集，再对候选集排序"。
1. 召回 ------ 从海量候选里"捞"出相关项
目标：快速、高覆盖地从亿级甚至十亿级文档中，挑出几百到几千个可能相关的候选。
-
特点
- 速度极快（毫秒级）
- 可容忍一定粗糙度
- 高召回率，尽量少漏掉有用结果
-
常用方法
- 倒排索引 + 关键词匹配：传统文本搜索基础，如 BM25。
- 向量语义召回：通过 Embedding 做近似最近邻（ANN）搜索，捕捉字面不匹配但语义相关的内容。
- 多路召回并行：结合个性化召回、地理位置召回、热门召回、实时召回等多条策略，结果合并后送入下游。
没有高质量的召回，后续排序再精细也无的放矢。
2. 排序 ------ 对候选集"排好队"
目标：精准评估每条候选的得分，把最满足用户需求的结果放到最前面。
-
特点
- 模型更复杂，特征更丰富（点击率、相关性、时效性、用户画像等）
- 处理的文档量已由召回大幅缩减
-
常见分层
- 粗排：用轻量模型（如双塔、简单逻辑回归）将候选从几千个快速减到几百个，缓解精排压力。
- 精排：用复杂的深度模型（如 DeepFM、DIN）逐条精细打分，追求最准确的效果。
- 重排：在精排结果之上进行多样性控制、业务规则干预（如去重、打散同类目、插入广告、强插内容）。
3. 容易被忽略的关键环节
查询理解（排序前）
对用户输入的 Query 进行：
- 意图识别、实体识别
- 分词、纠错、改写、联想
- 同义词扩展、权重分配
查询理解的质量直接决定了召回和排序的天花板。
重排 & 混排（排序后）
在生成最终展示列表前，需要加入：
- 多样性打散（避免同一类内容扎堆）
- 广告、运营位、推荐结果的混排
- 业务规则（如黑白名单、最小间隔数）
4. 整体流程示意
bash
用户 Query
│
▼
[ 查询理解 ] → 纠错/改写/权重
│
▼
[ 多路召回 ] → 倒排召回 + 向量召回 + 个性化召回 ...
│
▼
[ 粗排 ] → 轻量模型快速过滤
│
▼
[ 精排 ] → 深度模型精准打分
│
▼
[ 重排 ] → 多样性 & 业务规则干预
│
▼
最终展示结果5. 总结
- 召回和排序是搜索系统最核心的两大骨架。
- 实际工业系统会拆分为更多层（粗排、精排、重排），本质仍是"召回 → 排序"思想的延续。
- 系统优化的大部分精力都集中在：
如何召回更多真正相关的东西 以及 如何把它们排得更符合用户预期。
如果想继续深入，可以沿着 多路召回策略、粗精排模型选型、重排多样性算法 这几个方向研究。