Hybrid Search

混合检索（Hybrid Search）把语义向量检索和 BM25 关键词检索的结果融合，弥补两者各自的盲区。纯向量检索理解语义，但对精确词汇（产品型号、人名、代码关键字）不敏感——搜"iPhone 15 Pro Max"时可能返回泛谈苹果手机的文章；BM25 精确匹配关键词，但不理解语义——搜"汽车维修"找不到"车辆保养"的文章。融合通常用 RRF（互惠排名融合，Reciprocal Rank Fusion）：对每条文档取两路结果的名次倒数之和作为最终分数，公式为 score = Σ 1/(k + rank)，k 通常取 60。RRF 的优势是只看名次不看原始分数，避免了 BM25 分数（0-∞）和余弦相似度（0-1）量纲不统一的问题。实测在多个基准集上，混合检索的排序质量比单一向量检索提升约 5-8%。

找餐厅时同时问两个朋友：一个朋友（BM25）严格按你说的关键词推荐，"川菜"就找含"川菜"的店；另一个朋友（向量）理解你的偏好，推荐口味相近的重庆火锅或贵州酸汤鱼。综合两人的推荐列表，排名靠前的优先——结果比只听一个人强。

RRF 融合两路检索结果（示意）：

```python
def rrf_merge(bm25_ranks: list, vector_ranks: list, k: int = 60) -> dict:
    """输入两路文档名次列表，输出融合后的分数字典"""
    scores: dict[str, float] = {}
    for rank, doc_id in enumerate(bm25_ranks, start=1):
        scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
    for rank, doc_id in enumerate(vector_ranks, start=1):
        scores[doc_id] = scores.get(doc_id, 0) + 1 / (k + rank)
    return dict(sorted(scores.items(), key=lambda x: x[1], reverse=True))

bm25_result   = ["doc_A", "doc_C", "doc_B"]
vector_result = ["doc_B", "doc_A", "doc_D"]
print(rrf_merge(bm25_result, vector_result))
# doc_A 两路都排前列，分数最高
```

• → Retrieval / Top-K· 检索
• → Semantic Search· 语义检索