纯向量检索用 Embedding 模型，用户问「振动异常」，知识库写「振动超标」——搜不到。混合检索就是答案。

单一检索的局限

上篇我搭好了 RAG 管道：文本分块 → Embedding → Milvus → 检索。跑 10 条测试查询，纯向量检索的命中率约 60%。

60% 的意思是：10 个问题中有 4 个搜不到正确答案。

为什么搜不到？

用户问：「传送带跑偏了怎么调？」
知识库写：「传送带跑偏调整方法：1)调节张紧装置…」

Embedding 模型觉得这两句话不太像 → 向量距离远 → 检索失败。

Embedding 模型理解「语义」，但它不完全懂中文口语和专业术语的细微差异。这是所有 Embedding 的共性问题——尤其在使用多语言通用模型时。

方案：向量 + 关键词双路召回

Dense（向量检索） 擅长语义匹配——「温度高」能匹配「发热异常」。

Sparse（关键词检索） 擅长精确匹配——「传送带」必须命中「传送带」。

两者互补。这就是混合检索（Hybrid Search）。

步骤 1：加 BM25 稀疏检索

BM25 是经典的 TF-IDF 变体，核心逻辑是「词在少数文档中出现频率高 = 该文档和这个词相关」。

我在 Bm25Retriever 中实现了一个简化版：

Bm25Retriever bm25 = new Bm25Retriever();
bm25.index(documents);
// 用户问 "传送带跑偏"
List<ScoredDoc> results = bm25.search("传送带跑偏怎么调", 10);
// → 能精确匹配到包含「传送带」和「调」的文档

步骤 2：RRF 融合

两路检索结果怎么合并？我用了 RRF（Reciprocal Rank Fusion）——一种简单但有效的融合算法：

RRF_score(d) = sum over rankings: 1 / (k + rank(d))
k = 60（经典取值）

每个文档在两个排行榜中的排名越靠前，RRF 分数越高。

RrfFusion fusion = new RrfFusion();
List<String> fused = fusion.fuse(denseResults, sparseResults, 5);

步骤 3：LLM 重排序

拿到融合后的 Top-5 候选，再用 LLM 精排——这是最后一公里。虽然这次编码里没上专门的 Cross-Encoder，但原理一样：候选文档 + 用户问题 → LLM 判断相关性 → 选 Top-3。

实验数据：三种策略对比

我在 10 条测试查询上跑了三种策略：

策略	命中率	MRR
Dense Only （纯向量）	~60%	0.42
BM25 Only （纯关键词）	~70%	0.48
RRF Fused （混合检索）	~90%	0.68

Dense Only 输在哪？「传感器信号漂移」这条，Embedding 模型没理解「漂移」=「零点漂移」，搜到了不相关的电气故障文档。

BM25 Only 输在哪？「CNC 主轴异响」这条，知识库里写的是「CNC主轴异响」，BM25 对「异响」和「异常噪音」这种同义词完全没辙。

RRF Fused 为什么赢？ 两种检索互补——向量错了的，关键词能兜底；关键词漏了的，向量能补上。

代码：在 Agent 中启用混合检索

我把整个混合检索管线封装成了带评估的端到端实验：

# 1. 摄入知识库
curl -X POST http://localhost:8080/api/rag/ingest/500
# 2. 运行评估（Dense vs BM25 vs Fused）
curl -X POST http://localhost:8080/api/rag/evaluate
# 返回：
# {
#   "DENSE_hitRate": "60.0%",  "DENSE_MRR": "0.420",
#   "BM25_hitRate": "70.0%",   "BM25_MRR": "0.480",
#   "FUSED_hitRate": "90.0%",  "FUSED_MRR": "0.680"
# }

什么时候需要混合检索？

场景	推荐策略
知识库 < 100 条，查询单一	纯 Dense 就够了
包含专业术语/编号（如 CNC-001）	加 BM25
用户用口语提问	加 BM25 + Query Rewriting
多语言混用	纯 Dense（BM25 分语言要调分词器）

判断标准很简单：跑 10 条测试查询看命中率。如果 Dense Only 低于 70%，加 BM25。加了之后还低于 80%，加 Query Rewriting。

一句话总结

向量检索懂语义但不懂关键词，BM25 懂关键词但不懂语义。RRF 融合让两个互相兜底，90% 命中率是混合检索的基本盘。剩下的 10%，靠 Query Rewriting 和更精准的分块。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】