混合搜索（Hybrid Search）
把 向量语义检索（dense）+ 关键词检索（sparse，BM25）+ 元数据过滤 三路融合，弥补纯向量"漏关键字" / 纯关键字"漏语义" 的短板 — 现代 RAG 的工程默认配置。
为什么需要混合
| 单一方案 | 弱点 |
|---|---|
| 纯向量（dense） | 漏字面命中（人名、产品名、SKU、错别字） |
| 纯关键词（BM25） | 漏语义近似（"小猫" 找不到 "kitten"） |
| 元数据过滤 | 不能做相关性排序 |
混合搜索 = 三者融合 → 召回率 +10-30%、回答质量显著提升。
融合方法
| 方法 | 描述 | 优劣 |
|---|---|---|
| RRF（Reciprocal Rank Fusion） | 按多路结果的排名倒数相加 | 实现简单、不需调参，工业最常用 |
| Linear Combination | α × dense_score + (1-α) × sparse_score | 需调权重 |
| CrossEncoder Rerank | 取并集后用 cross-encoder 重排 | 效果最好、延迟+成本最高 |
| Learned Sparse（如 SPLADE） | 用 LLM 生成稀疏向量 | 兼顾语义+关键字 |
工业实现
- Weaviate：原生支持 Hybrid 查询 API（dense + BM25 + RRF），是其差异化卖点
- Elasticsearch 8.x：dense_vector + BM25 + RRF
- Milvus 2.4+：Hybrid Search API
- Pinecone：Sparse-Dense 混合（用 SPLADE 等）
- Qdrant：Hybrid Search via Query API
在 RAG 中的角色
RAG 工程化最佳实践的"标配"：
- 查询 → 同时发往向量索引 + BM25 索引
- 两路 Top-K 用 RRF 融合
- 可选 + CrossEncoder Rerank（如 Cohere Rerank、BGE-Reranker）
- Top-N 喂给 LLM 生成答案
演进
- 2022 纯向量 RAG 时代，依赖 dense embedding
- 2023 业界发现纯向量"漏关键字"严重 → 混合搜索回归
- 2024 Weaviate / Elasticsearch / Pinecone 官方推 Hybrid
- 2025 多模态向量 加入混合融合（文+图+音）
相关
∈ belongs_to::3-07-AI原生中间件与开发平台