搜索“RRF”和“怎样合并两路检索结果”，可能是在寻找同一类知识，却提供了不同的检索信号：前者有明确的算法缩写，后者用自然语言描述目的。

上一篇介绍了 Embedding 怎样帮助问题找到语义接近的片段。这次接着看：如何同时利用词项匹配和语义匹配，让不同问法都有机会找到依据？

一、关键词和自然语言，提供不同信号

“RRF”这样的算法缩写适合利用词项匹配：查询与资料中出现同一术语，是一个有价值的信号。

“怎样合并两路检索结果”没有直接写出算法名称，系统还需要把问题与“排名融合”等表述联系起来。向量检索可以利用这种语义联系。

关键词路可以利用前一种信号，向量路可以补充后一种信号。两者都可能找到好结果，也都可能漏掉关键片段，不能简单判定某一路总是更强。

二、BM25 在找什么？

常见的关键词检索会先把文本分析成词项，再通过倒排索引定位包含这些词项的片段。BM25 是其中一种排序方法，综合考虑词频、词项在文档集合中的稀有程度，以及文档长度等因素。[1]

因此，产品型号、题号、错误码和专有名词值得交给关键词路比较。但这里的“词项匹配”不等于整句完全一致，也不保证错误码一定被正确保留。

例如算法缩写、产品型号若被不合适地拆分，或查询与文档的规范化方式不同，效果就可能打折。中文分词、大小写、连字符和别名处理，都应检查。需要严格限定某个型号或编号时，可以设计专门字段或精确过滤，不能只依赖 BM25 排名。

向量路则依据模型形成的表示寻找接近内容。“合并检索结果”和“排名融合”可能被联系起来，但讨论精排的相关段落也可能进入候选。话题相近，不等于这段内容正好回答了问题。

三、混合检索怎样组合两路结果？

本文讨论一种常见方案：分别运行 BM25 和稠密向量检索，再将候选融合。混合检索也可以有其他组合，这里先把最基本的流程讲清楚。

同一问题分别进入关键词和向量检索，按片段标识对齐后融合并筛选

图 1：两路共享同一套片段标识；同一片段出现两次时，融合应保留两路的排名贡献，最终只作为一个候选。

两路需要对齐到同一批可追溯的片段，例如共同使用 chunk_id、来源和版本信息。两边的更新状态、过滤条件也要保持一致，避免一边返回新手册，另一边还在检索旧规则。

但把两个列表拼起来还不够。BM25 分数与向量相似度的含义、尺度不同，直接把原始分数相加，可能让某一路仅因数值较大而主导排序。 可以评估归一化后的加权融合，也可以先试基于排名的 RRF。[2]

四、RRF：用名次汇总贡献

RRF（Reciprocal Rank Fusion，倒数排名融合）的一种等权形式可以写成：

某片段的融合分数 = 各路 1 / (c + 该路名次) 的和

名次从 1 开始；某路没有返回该片段，这一路不贡献分数。c 是平滑常数，不是召回数量。[2][3]

只看排名计算，用 A、B、C 表示三个候选片段：

  • BM25 路：A、C、B。
  • 向量路：B、A、C。

两组人为设定的排名经 RRF 汇总，A 的两路名次为 1 和 2

图 2：这里只演示 RRF 的计算方式，名次不代表实测检索结果，分数也不是正确率。

取 c = 60，A 的分数为 1/61 + 1/62 ≈ 0.032522，最终次序是 A、B、C。这个常数只用于本例；实际仍要评估参数、每路候选数量与最终保留数量。[3]

RRF 不要求两路原始分数可比，但会舍弃分数差距的信息：某一路第一名比第二名高很多，和只高一点，在名次相同时贡献一样。融合排第一，也不等于已经核实规则正确。

五、融合之后，还要精排吗？

可以根据需要增加精排。融合负责把不同来源的候选组织成一个排序；常见的模型精排器会进一步联合评估问题与候选文本的相关性，通常比第一阶段逐项打分更费计算。[4]

精排并非每个入门系统的必选项，也无法找回完全没进入其候选池的材料。最后仍要检查所用片段是否回答了当前问题，而不是只谈到了相近的概念。

同样，RRF 不负责决定访问权限、规则版本或答案是否可信。这些条件应在检索及后续处理过程中明确维护。

六、怎样判断混合检索有没有帮助？

先用相同的问题集，比较三组结果：关键词单路、向量单路、混合检索。问题至少覆盖：

  • 带缩写或专名：“RRF 的作用是什么？”
  • 自然语言改写：“怎样合并两路检索结果？”
  • 易混淆的相邻概念：“RRF 融合与模型精排有什么区别？”

记录正确证据是否进入候选、排在什么位置、重复与无关内容有多少，并同时观察响应时间。比较最终回答时，保持上下文预算等条件一致；否则，“送入更多文字”带来的变化容易被误认为融合方法本身的收益。

如果两路长期返回同样的好结果，新增一路的收益可能有限；如果它们互补，也要确认融合后真正有用的片段没有被挤出最终上下文。两路都返回了结果，并不能证明效果更好。

七、面试时可以怎样回答？

RAG 混合检索通常结合关键词召回与向量召回，利用词项和语义两类信号。各路结果按稳定的片段标识对齐，再用 RRF 或经过尺度处理的分数融合得到统一候选，必要时再精排。实施时要关注分词、两路数据一致性、候选数量与上下文预算，并用同一组真实问题验证收益，不能保证混合后一定更好。

下一步如果遇到“正确材料已经找到了，却排得不够靠前”，就可以继续研究精排器怎样判断问题与片段的相关性。

参考资料

  1. Elastic：How full-text search works——文本分析、倒排索引与 BM25 排序因素。
  2. OpenSearch：Reciprocal rank fusion——原始分数的尺度、排名融合与取舍。
  3. Elastic：Reciprocal rank fusion——RRF 公式、名次与候选窗口。
  4. Sentence Transformers：Retrieve & Re-Rank——召回与精排的职责。
  5. 李博杰，《深入理解 AI Agent：设计原理与工程实践》，v1.2（2026-07-22），第 3 章 §3.2.4，书内 85–86 页（PDF 93–94 页）——混合检索与重排序的补充阅读。本文未复用书中图表或示例数值。
  6. 题库第 5 题：什么混合检索？在基于大模型的应用开发中，混合检索主要解决什么问题？、第 367 题：什么是 RAG 混合检索？如何实现向量检索和关键词检索结合？——选题参考。