向量检索召回不足时：用向量+关键词混合检索提升召回

在 RAG 或搜索引擎中，当纯向量搜索漏掉精确关键词匹配时，用向量检索与关键词检索并行召回再融合。

适用场景

解决思路

1. 按混合架构搭建流程：查询同时进入向量搜索与关键词搜索，两路各自产出候选集，再用融合环节合并后输出结果。
2. 选择融合方法之一：RRF（Reciprocal Rank Fusion），通用场景首选，无需调参即可工作。
3. 选择融合方法之一：Linear（分数加权求和），适合需要可调平衡的场景。
4. 选择融合方法之一：Cross-encoder，用神经模型做重排，质量最高。
5. 选择融合方法之一：Cascade，先过滤再重排，兼顾效率。
6. 在自有数据上经验性地调权重，不要凭直觉设定后直接上线。
7. 优先使用 RRF 以求简洁，它在不调参的情况下表现良好。
8. 加入 reranking 重排阶段，可带来显著的质量提升。
9. 同时记录向量分数和关键词分数，便于排查检索问题。
10. 做 A/B 测试，用真实用户指标衡量混合检索的实际影响。
11. 不要假设一套参数通吃：不同查询需要不同的权重配置。
12. 不要跳过关键词搜索：精确匹配（名称、编码等）它处理得更好。
13. 不要过度抓取候选：在召回率和延迟之间做平衡。
14. 不要忽略边缘情况：空结果、单个单词查询等都要处理。

适用边界 · 注意事项

• 纯向量搜索已满足召回且对延迟敏感时，不必引入混合搜索，过度抓取候选会拖慢响应。
• 未对空结果、极短/单词查询等边缘情况做处理前，不要直接依赖该模式上线。
• 不要在未用自有数据调过权重的情况下，指望一套融合权重适配所有查询类型。