标准回答
单一检索的短板
- 稠密检索（向量 / Embedding）：擅长捕捉语义相似（同义词、改写），但对精确的专有名词、产品型号、数字、罕见缩写不敏感——这些词的语义信号弱，容易被漏召回。
- 稀疏检索（BM25 / TF-IDF）：基于词频做精确关键词匹配，对专有名词、代码、精确术语很强，但完全不懂同义和语义，换个说法就召回不到。
混合检索的价值：同时跑稠密和稀疏两路检索，再融合结果，让二者优势互补——既不漏精确关键词，又能覆盖语义改写。
融合方法：最常用 RRF（Reciprocal Rank Fusion，倒数排名融合），只依赖各路结果的排名而非分数，无需对不同量纲的分数做归一化，简单稳健。也可用加权分数融合。
常见误区
⚠️ 常见踩坑
直接把向量相似度分数和 BM25 分数相加。两者量纲不同、分布不一致，简单相加会失真；应做归一化加权或直接用 RRF 这类基于排名的融合。
追问
追问 1：RRF 相比加权分数融合有什么优势？
RRF 只用每路结果中文档的排名（1/(k+rank)）求和，不依赖原始分数，因此天然规避了向量相似度与 BM25 分数量纲不一致、难以归一化的问题，调参少、鲁棒性好。
追问 2：什么时候稠密检索明显不如 BM25？
查询包含精确专有名词、错误码、SKU 型号、人名、代码片段等「字面即语义」的内容时，BM25 精确匹配优势明显，而向量检索可能因语义泛化而召回偏题结果。
追问 3：混合检索后还要 rerank 吗？
通常仍要。混合检索提升的是召回（覆盖面），rerank 用 cross-encoder 提升的是精度（排序）。两者作用不同，生产链路常是「混合召回 Top-N → rerank 精排 Top-K」。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。
🛠️ AI 工具