RAG混合检索关键词+向量，解决纯向量检索漏召回
纯向量检索虽然能理解语义，但对漏拼写、缩写、商品型号这类字面信息不敏感，经常把真正命中的文档排到后面。
RAG混合检索就是把关键词检索和向量检索同时跑一遍，再合并结果，从而显著减少漏召回。
这篇文章会讲清楚漏召回的原因、混合检索的实现思路，并给出能直接运行的示例和验证方法，适合正在做RAG应用开发或者检索优化的读者。
纯向量检索漏召回，到底漏在哪
向量检索是把文本映射成高维向量，然后按余弦距离找相似。
问题在于它只认语义，不认字面。
比如搜索 BERT-base，向量检索很可能召回一堆 Transformer 相关的内容，却漏掉字面完全匹配的文档。
再比如代码函数名 getPrice，语义向量很难覆盖这种拼写型关键词。
另一个原因来自向量模型本身：训练数据里低频词、专有名词、混合语言的表示往往不稳定，导致这些文档的向量偏离真实语义。
结果就是，按向量相似度排序时，真正包含关键词的文档排不到前面，这就是漏召回。
混合检索：关键词兜底，向量补语义
混合检索的思路很简单：两路独立检索，最后合并。
- 关键词检索：用 BM25 或 Elasticsearch 的 match 查询，确保字面命中的文档一定出现在候选集里。
- 向量检索：用 embedding 模型做语义召回，把“意思一样但说法不一样”的内容找回来。
合并方式常用 RRF（Reciprocal Rank Fusion），
核心思想是给每一路结果按排名加权，
而不是直接比较分数，
因为两类检索的分数不可比。混合检索不是简单叠加，
而是用关键词召回兜住准确率，
用向量召回提升召回率，
最终让结果更完整。
用 Python 快速实现关键词+向量混合检索
下面是一段可运行的简化示例，假设已有文档列表 docs：
from rank_bm25 import BM25Okapi
from sentence_transformers import SentenceTransformer
import numpy as np
# 准备文档
# docs = ["文档1内容", "文档2内容", ...]
# 关键词检索 BM25
bm25 = BM25Okapi([doc.split() for doc in docs])
bm25_hits = bm25.get_top_n(query.split(), docs, n=10)
# 向量检索
model = SentenceTransformer('BAAI/bge-small-zh-v1.5')
query_vec = model.encode(query)
doc_vecs = model.encode(docs)
vec_scores = np.dot(doc_vecs, query_vec)
vec_hits = [docs[i] for i in np.argsort(vec_scores)[::-1][:10]]
# RRF 合并
def rrf(rank_lists, k=60):
score = {}
for rank_list in rank_lists:
for i, doc in enumerate(rank_list, 1):
score[doc] = score.get(doc, 0) + 1 / (k + i)
return [doc for doc, _ in sorted(score.items(), key=lambda x: x[1], reverse=True)]
final_results = rrf([bm25_hits, vec_hits])生产中不推荐自己写 RRF，直接使用 Elasticsearch 8.11 以上自带的 rank: rrf 查询，或者用 Milvus 的混合检索功能，效率和稳定性更好。
配置时的三个高频坑
第一，两路候选集大小不一致。 BM25 取 10 条，向量取 100 条，融合后向量那路会占据排名优势。
建议两路都取相同的 top N，比如各取 20 条。
第二，RRF 的 k 值不是必须动的。 k 默认 60，调小会让排名靠前的结果权重更高，调大则更平滑。
业务不复杂时保持默认，优先观察结果分布。
第三，中文检索一定要做分词。 直接用 split() 会把“混合检索”拆成“混合”“检索”，效果差。
生产环境用 ES 的 ik 分词器或 jieba 预分词，否则关键词这路等于没有。
怎么验证召回率真的提升了
准备一组测试问题，每个问题标注至少一条“应召回”的文档。
然后分别运行纯向量检索和混合检索，统计 top 10 内命中的比例。
一个可行的实验：
构造 100 条查询，
其中 30 条包含明显关键词（如型号、
缩写），
分别计算 Recall@10。如果混合检索的召回率显著高于纯向量，
说明双路方案在你的数据上有效。 另外也检查一下最终排序中是否有无关结果混入，
避免因为添加关键词路导致准确率下降。
如果你正在处理 RAG混合检索关键词+向量，解决纯向量检索漏召回，建议先按本文思路搭建双路检索，再根据业务数据调整融合参数。
遇到异常时，优先检查分词、向量质量、融合权重这三项。
