什么是 RAG 混合检索？如何实现向量检索和关键词检索结合？
这道题考的是混合检索的设计思路，看你能不能说清楚"为什么单靠一种检索不够用"以及"怎么把两种检索方式融合起来"。
我从四个方面来讲：为什么需要混合检索、两种检索的核心原理、RRF融合算法、以及完整实现流程。
为什么RAG需要混合检索
先说一个现实问题：单一检索方式有硬伤。
向量检索厉害的地方是语义理解。你输入"电脑开不了机怎么办"，它能找到"机器无法启动"、"系统无法开机"这些说法不一样的答案，因为它理解"开不了机"和"无法启动"是一个意思。
但它有个弱点：精确匹配能力差。你搜"ERR_PAYMENT_TIMEOUT"，它可能找不到精确的错误码文档，因为这个词太专用了，语义相似度高的其他错误码反而排在前面。
关键词检索正好反过来。它找精确匹配很强，像错误代码、产品型号、人名地名，一搜一个准。但它理解不了语义。"手机充不进电"和"电池不充电"说的是一回事，它搜不到一起。
所以实际场景中，你既需要找精确的东西，又需要找语义相关的东西。混合检索就是把这两种能力结合起来，互补短板。
两种检索方式的核心原理
向量检索：找"意思相近的"
向量检索的核心是把文字转成一组数字（embedding向量），然后在向量空间里找"离得近的"。
举个例子，"苹果"和"Apple"在向量空间里距离很近，因为模型知道它们意思相同。你搜"水果"，向量检索能找到所有关于水果的文档，即使文档里没写"水果"这个词。
向量检索适合这些场景：
- 语义查询："怎么处理客户投诉" → 找到相关的客服话术
- 跨语言查询：用中文embedding搜英文文档
- 同义词替换："购买"和"下单"能找到同样的商品页面
关键词检索：找"完全一致的"
关键词检索用的是BM25算法，本质上是倒排索引 + TF-IDF变种。
BM25有三个关键机制：
- TF（词频）：一个词在文档里出现越多越相关，但出现太多会扣分（防止长文档占优势）
- IDF（逆文档频率）：一个词越罕见越有价值，"RAG"比"的"重要得多
- 长度归一化：短文档匹配到关键词更容易被优先推荐
简单说，关键词检索就是数你搜的词在文档里出现了多少次、这个次稀有不稀有。
它擅长的场景：
- 精确匹配：订单号、错误码、缩写词
- 专有名词：Python、MySQL、React
- 人名地名：具体的产品名称
RRF融合算法——解决量纲不一致问题
两种检索方式的结果得分不能直接比较。
向量检索的相似度得分一般是 -1 到 1 之间，或者 0 到 1。BM25得分没有上限，跟文档长度、词频都有关系。这两个分数直接加权融合，等于把公斤和磅混在一起算。
RRF（倒数排名融合） 的思路很聪明：不比较分数，比较排名。
RRF公式：
RRF_score = Σ 1/(k + rank)
其中 k 是默认60，rank是这个结果在某种检索方式里的排名。
举个例子。假设你搜"ERR_PAYMENT_GATEWAY_TIMEOUT"：
| 文档 | BM25排名 | 向量排名 |
|---|---|---|
| 错误码文档 | 1 | 6 |
| 网络超时方案 | 8 | 2 |
| 支付失败FAQ | 3 | 10 |
RRF计算（k=60）：
- 错误码文档：1/(60+1) + 1/(60+6) = 0.0164 + 0.0152 = 0.0316
- 网络超时方案：1/(60+8) + 1/(60+2) = 0.0147 + 0.0161 = 0.0308
- 支付失败FAQ：1/(60+3) + 1/(60+10) = 0.0159 + 0.0143 = 0.0302
最终排名：错误码文档 > 网络超时方案 > 支付失败FAQ。BM25第1的文档虽然向量检索只排第6，但综合起来还是第一名。
k值怎么调：
- k小（20-30）：高排名贡献更大，适合精确匹配优先的场景
- k大（80-100）：排名差异被缩小，召回率高，适合语义为主的场景
- 默认60是个平衡值
混合检索的完整实现流程
实际工程中，混合检索分四步走：
第一步：并行执行两种检索
向量检索和关键词检索同时跑，各自返回一批候选结果。向量检索一般返回100-300条，BM25也返回100-300条。
第二步：RRF融合
把两个检索结果按RRF算法打分合并，按得分排序。
第三步：候选筛选
从融合结果里取前20-50条作为候选。这一步是粗筛，保证质量和速度的平衡。
第四步：交叉编码器重排序
这是精细化排序。用交叉编码器对候选文档和查询做一次深度语义理解，重新打分排序。
交叉编码器比向量检索的异步双编码器更准，但计算成本高，只能对少量候选使用。
整个流程可以类比成招聘：
- 并行检索 → 多渠道收集简历（内推+校招+社招）
- RRF融合 → 合并不同渠道的候选人，按综合评分排序
- 候选筛选 → HR初筛，去掉明显不匹配的
- 交叉编码器 → 面试官深度面试，选出最终录用的人
面试怎么答
基础版（直接背）：
混合检索就是结合向量检索和关键词检索两种方式。向量检索基于语义embedding，擅长找语义相关的内容，但精确匹配能力弱；关键词检索基于BM25倒排索引，擅长精确匹配专有名词、错误码、缩写词，但无法理解语义相似性。两种检索分别执行后，用RRF算法融合结果。RRF用排名而非得分来融合，解决了向量相似度和BM25得分量纲不一致的问题。
加分版（扩展深度）：
除了基本原理，RRF的k值可以根据场景调整。k小（20-30）追求高精度，适合精确匹配优先；k大（80-100）侧重召回率，适合语义理解为主。在RAG五层架构里，混合检索属于Level 3的查询优化，需要配合Level 4的Reranking阶段做交叉编码器重排序。实际效果上，比如搜索"ERR_PAYMENT_GATEWAY_TIMEOUT"这种错误码，BM25能排第1但向量可能排第6，RRF融合后综合排名最优，既保证了精确匹配又兼顾了语义相关。
一句话总结
混合检索通过RRF融合向量检索和关键词检索，互补各自的能力边界，让RAG既能精准匹配专有名词，又能理解语义相似性。