Hybrid Search（混合检索）
关键词加向量一起搜
亦作、亦称：混合检索 · Hybrid Retrieval
结合 BM25 等稀疏检索与向量语义检索，兼顾精确匹配与语义召回，是 RAG 系统的常见增强方案。 混合检索用稀疏检索补精确匹配、向量检索补语义召回，常配合 RRF 等融合策略。
工作原理
结合 BM25 等稀疏检索与向量语义检索，兼顾精确匹配与语义召回，是 RAG 系统的常见增强方案。 混合检索用稀疏检索补精确匹配、向量检索补语义召回，常配合 RRF 等融合策略。
应用场景
Hybrid Search常见于：对话助手、代码生成、知识问答、内容创作与 Agent 推理底座。实际选型需结合业务指标、数据规模与部署约束评估适用性。
局限与误区
围绕 Hybrid Search 的口语化说法（见「常见误解」）常过度简化。效果依赖数据质量、任务匹配与系统整体设计；生产环境应配合评测、监控与人工复核。
背景与发展
Hybrid Search随 AI 研究与工程实践持续演进，定义边界与最佳实践仍在更新。建议结合原始论文、官方文档与本站延伸阅读建立准确认知。
常见误解
日常交流中容易听到的简化说法，未必准确，但能帮助理解误解从何而来。
- 「关键词加向量一起搜」
- 「BM25 加 Embedding」
- 「RAG 召回更稳」
相关术语
和本术语关联紧密的其他词条，便于串联理解。
延伸阅读
从知识库精选 3 篇文章，帮助深入理解该术语。
- 1
Agent 记忆系统（四）：向量数据库、知识图谱与记忆检索全景指南
AI Agent 的记忆系统是决定其智能水平的核心组件。本文系统讲解 Agent 记忆体系的完整架构：从短期工作记忆到长期语义记忆，从向量数据库的嵌入检索到知识图谱的关系推理，从记忆压缩策略到遗忘机制，帮助你在构建 Agent 时设计正确的记忆方案。
- 2
RAG 检索增强生成架构指南
如何结合外部知识库增强 LLM 的准确性和时效性
- 3
Agent 记忆与知识库系统设计：从短期上下文到长期记忆架构
AI Agent 的核心能力之一是记忆——能够在多次交互中保持连贯性、积累经验、并在需要时检索相关信息。本文系统讲解 Agent 记忆架构的设计原理，涵盖短期记忆（上下文窗口管理）、中期记忆（对话历史压缩）、长期记忆（向量存储与知识图谱）、知识库构建（RAG 架构）、记忆检索策略、记忆遗忘机制，以及生产环境中的最佳实践和常见陷阱。