混合检索：稠密 + 稀疏

稠密检索的短板

纯向量（稠密）检索靠语义，但有几个天然弱项：

• 稀有词 / 专有名词：如产品型号、错误码、人名，训练时少见，语义空间里表达弱。
• 精确匹配：用户要"包含 exactly 这个字符串"，稠密检索给的是"意思近"，答非所问。
• 词面对齐：query 与文档字面高度重叠但语义不同（或反之）时容易误判。

稀疏检索（BM25）的优势

传统 BM25 基于词频/逆文档频率，对关键词、专名、精确串极其敏感且确定。它正好补上稠密的短板：

• 字面命中即高分，不会"语义对但词不对"。
• 对 ID、代号、术语零误判。
• 可解释、无需训练、开销低。

两路召回 + 融合

混合检索（Hybrid Search）标准做法：

1. 同一 query 同时跑稠密路（向量召回 top-k_a）和稀疏路（BM25 召回 top-k_b）。
2. 把两路结果归并、去重，用融合算法重新排序，得最终 top-k。

RRF：最省心的融合算法

RRF（Reciprocal Rank Fusion，倒数排名融合）不需要把两路分数归一化到同一量纲，只看"排名"：

某个文档在两路里排名越靠前（rank 越小），融合分越高。优点：

• 免归一化：稠密分(0~1)和 BM25 分(0~20)量纲不同也能直接融。
• 鲁棒：个别路分数异常不影响整体。
• 简单、无超参（除 k）。

另有加权求和：先把各路分数 min-max / z-score 归一化，再 w_d·s_d + w_s·s_s。需调权重，但对"某路更重要"的场景更可控。还有学习排序（Cross-Encoder / LambdaMART）做最终精排，精度最高但成本高。

稀疏表示不止 BM25

• BM25：统计式，确定、快、对关键词强。
• SPLADE：用模型把文档/查询变成"带权重的词表向量"（仍是稀疏），兼顾语义与可解释。
• BM25+（上下文稀疏）：模型生成的稀疏向量，比纯 BM25 更懂语义。

混合检索的"稀疏路"可以是 BM25，也可以是这些模型稀疏向量，后两者效果更好。

何时该上混合检索

• 知识库含专名、型号、错误码、法律条款编号等——必用。
• 用户常做精确短语搜索——必用。
• 纯开放域闲聊/通用问答——稠密单路通常够。