什么是混合检索？为什么还需要关键词检索？
一句话回答
混合检索是让向量检索和关键词检索（通常是 BM25）两路并行召回，再把结果融合排序。向量检索懂语义，能把"怎么退钱"匹配到"退款流程"，但对型号、错误码、人名这类需要精确匹配的词不敏感；BM25 按词匹配，正好补上这块短板。融合常用 RRF（倒数排名融合）：只看文档在每一路结果中的排名，score = Σ 1/(k + rank)，不用处理两路分数尺度不同的问题。
详细解析
向量检索的盲区
Embedding 把一段文本压缩成一个向量，保留的是整体语义，字面上的精确信息容易丢失：
- 编号和型号：查"E1024 报错怎么办"，向量检索可能召回 E1023、E2048 的文档，它们在语义上都是"某个错误码"
- 专有名词和新词：内部系统名、项目代号、新产品名，Embedding 模型训练时没见过，表示不准
- 精确短语：法规条款号、配置项名称、函数名，用户要找的就是包含这个词的文档
这些恰好是关键词检索的强项。
BM25 的特点
BM25 按查询词在文档中的匹配情况打分，主要考虑三点：
- 词频：词在文档里出现得越多分越高，但收益递减（由参数 k1 控制）
- 逆文档频率（IDF）：越稀有的词权重越高。"E1024"在整个库里只出现几次，命中它的文档会排得很靠前
- 长度归一化：避免长文档因为词多而占便宜（由参数 b 控制）。Elasticsearch 默认 k1 = 1.2、b = 0.75
它的短板是不懂同义词和换说法（"退钱"和"退款"）；中文还依赖分词质量，分词器不认识的产品名会被切碎，匹配就不准。
两路结果怎么融合
两路的分数不能直接相加：余弦相似度的范围是 -1～1，BM25 分数没有固定上限，大小取决于查询词的数量和语料。常见的两种融合方法：
| 方法 | 做法 | 优点 | 缺点 |
|---|---|---|---|
| RRF | score(d) = Σ 1/(k + rank)，对文档在每一路中的排名求和，rank 从 1 开始，k 常取 60 | 只用排名，不受分数尺度影响，几乎不用调参 | 丢掉了分数差距的信息：领先很多和领先一点，得分一样 |
| 加权分数融合 | 先把每一路的分数归一化到 0～1（如 min-max），再按权重相加：α × 向量分 + (1 − α) × BM25 分 | 能利用分数差距，可以按业务调权重 | 对归一化方式敏感，权重要用评测集调，不同查询的分数分布差异也大 |
RRF 的计算示例（k = 60）：
| 文档 | 向量检索排名 | BM25 排名 | RRF 分数 |
|---|---|---|---|
| A | 1 | 3 | 1/61 + 1/63 ≈ 0.0323 |
| C | 未召回 | 1 | 1/61 ≈ 0.0164 |
| B | 2 | 未召回 | 1/62 ≈ 0.0161 |
两路都靠前的文档得分最高；只在一路出现的文档，另一路的贡献是 0。
工程上要注意的
- 每一路多取一些（比如各 50 条），融合后再交给重排模型精排（见 重排序）
- 两路并行执行，总延迟取决于慢的那一路
- 不少搜索引擎和向量数据库已经内置了混合检索和 RRF，能用内置的就不必自己写
- 用评测集分别跑纯向量、纯 BM25 和混合检索，按问题类型分组对比 Recall@k，确认收益来自哪类问题
代码示例
interface Hit {
id: string
score: number
}
// RRF：每一路都已按相关性从高到低排好序，只用排名计算
function rrf(lists: Hit[][], k = 60): Hit[] {
const fused = new Map<string, number>()
for (const list of lists) {
list.forEach((hit, i) => {
fused.set(hit.id, (fused.get(hit.id) ?? 0) + 1 / (k + i + 1)) // 排名从 1 开始
})
}
return [...fused].map(([id, score]) => ({ id, score })).sort((a, b) => b.score - a.score)
}
// 加权融合：每一路先 min-max 归一化到 0～1；某一路没召回的文档，这一路按 0 分算
function weightedFusion(vector: Hit[], keyword: Hit[], alpha = 0.5): Hit[] {
const normalize = (hits: Hit[]) => {
const scores = hits.map((h) => h.score)
const min = Math.min(...scores)
const max = Math.max(...scores)
return new Map(hits.map((h) => [h.id, max === min ? 1 : (h.score - min) / (max - min)]))
}
const v = normalize(vector)
const kw = normalize(keyword)
return [...new Set([...v.keys(), ...kw.keys()])]
.map((id) => ({ id, score: alpha * (v.get(id) ?? 0) + (1 - alpha) * (kw.get(id) ?? 0) }))
.sort((a, b) => b.score - a.score)
}
// 两路并行召回，用 RRF 融合
async function hybridSearch(query: string, topN = 50): Promise<Hit[]> {
const [vectorHits, keywordHits] = await Promise.all([
vectorStore.search(query, topN), // 向量检索
keywordIndex.search(query, topN), // BM25 关键词检索
])
return rrf([vectorHits, keywordHits]).slice(0, topN)
}面试官可能追问
RRF 里的 k 为什么常取 60？调大调小有什么影响？
60 来自提出 RRF 的论文：作者在预实验中定下 k = 60，发现它接近最优、而且取值对结果影响不大，之后被广泛沿用。k 越大，相邻名次之间的分差越小，排名靠后的文档也能贡献不少分数；k 越小，越偏向每一路的前几名。多数情况下不用调，真要调就在评测集上比较。
中文做 BM25 要注意什么？
关键在分词。用中文分词器（如 jieba、IK 这类），把产品名、型号、内部术语加进自定义词典，否则它们会被切碎；索引和查询要用同一套分词规则。也可以按字的 n-gram 切分，召回率高，但噪声也更多。
两路的比重怎么定？什么时候可以不用混合检索？
按问题类型看：用户多用自然语言描述、语料里编号和术语很少时，纯向量检索可能就够；代码搜索、商品型号、法规条款这类场景更依赖关键词。可以在评测集上按问题类型分组对比；也可以按查询的特征动态调整，比如查询里出现编号格式时，加大关键词检索的权重。
稀疏向量是什么？和 BM25 有什么关系？
稀疏向量的维度和词表一样大，绝大多数维度为 0，非零的维度对应文本里的词和它的权重。BM25 可以看作一种按规则计算权重的稀疏表示；SPLADE 这类模型学出来的稀疏向量，还能给原文没出现、但意思相关的词分配权重，相当于自动做了词扩展。很多向量数据库支持稀疏向量和稠密向量一起检索，用来实现混合检索。
易错点
- 直接把余弦相似度和 BM25 分数相加，BM25 的分数通常大得多，会主导结果
- RRF 的排名从 1 开始；同一文档被切成多块时，要先想清楚按块融合还是按文档融合
- 混合检索只是把两路候选合并，后面通常还要接重排
- 关键词检索的效果取决于分词，中文场景要检查专有名词有没有被切碎
AI 模拟面试官
用自己的话回答，AI 对照参考答案打分、指出遗漏，再追问，最多 3 轮
这道题你掌握了吗？
选一个最接近的状态，没掌握的题会出现在"我的进度 · 待复习"里。
学习记录暂存在本机浏览器。登录后自动同步到账号，换设备也能看到。