混合检索为什么比纯向量检索更稳：关键词与向量的分工

纯向量检索擅长语义相近，但对精确术语、编号、罕见词容易漏；关键词检索（BM25）恰好相反。把两路结果合并再重排，能同时覆盖这两类查询。本文讲清分工、合并方式与常见坑。

两种检索各自擅长什么

向量检索把文本压成向量，比的是**语义距离**：问「怎么压缩图片体积」，它能召回讲「减小图片文件大小」的段落，即使两者没有一个字相同。

代价是：它对**精确字面**不敏感。查产品编号、错误码、罕见专有名词时，向量可能把「长得像」的内容排在前面，而把真正包含那个编号的段落漏在后面。

关键词检索（BM25 一类）恰好相反：它统计词频与逆文档频率，**字面命中权重高**，查编号、查术语一次就中；但它不理解同义改写，问「减小文件大小」就找不到只写「压缩图片体积」的段落。

1. **两路召回**：同一个查询分别走向量与关键词检索，各取前 N 条（例如各 50 条）；

2. **分数归一化**：两路分数量纲不同，必须先归一化（或改用排名倒数 RRF），否则一路会凭数值大小压倒另一路；

3. **合并去重**：按文档 ID 合并，同一篇被两路都召回的，通常更可信；

4. **重排（可选）**：用更贵的模型对合并后的候选做精排，取最终前 K 条。

**加权求和**：实现最简单，但权重需要按语料调，换一个语料往往要重调；

**RRF（排名倒数融合）**：只用排名不用分数，跨路可比、免调参，工程上最省心，缺点是丢掉了分数强弱信息；

**学习式融合**：效果上限更高，但需要标注数据与持续维护，小团队往往不划算。

**只调一路**：把权重压到 0.9 以上，等于退化成单路检索，混合的意义就没了；

**忘了归一化**：向量余弦相似度多在 0.7~0.9，BM25 分数动辄几十，直接相加等于只看 BM25；

**切分粒度不一致**：两路用不同切分，合并时对不上同一段落，去重会失效；

**把重排当召回**：重排只能在候选里选，候选阶段漏掉的文档，后面再贵也找不回来。

如果查询几乎都是自然语言长问句、语料里也少有编号与专有名词，纯向量检索通常够用。**先看真实查询日志再决定**，不要因为「混合听起来更强」就默认加上——多一路就多一份索引维护与延迟成本。