多路召回怎么配置才不漏结果：两路检索与融合参数实操
多路召回的核心是同时运行多个检索器，再按统一规则合并结果。
配置时先确定各路检索方式和数量，再设置融合参数。
以向量检索加关键词检索两路为例，每路召回20条，用RRF融合取前10条，是比较稳妥的起点。
先理清召回链路和前提条件
多路召回通常包含三个环节：多个检索器并行查询、结果格式统一、融合排序。
向量检索负责语义相似，关键词检索负责精确匹配，两者互补能减少漏召回。
开始配置前需要确认：
- 已经有一个可用的向量库（如Milvus、Qdrant、FAISS），且文档已完成嵌入。
- 有一个支持全文检索的组件（如Elasticsearch、OpenSearch），或能执行关键词匹配的数据库。
- 两路检索返回的结果都包含文档ID和分数，便于后续融合。
如果只有一路检索器，多路召回配置就无从谈起，应先补全第二路。
配置两路检索器的关键参数
以Python伪代码为例，两路检索器分别设置召回数量：
vector_results = vector_store.search(query, top_k=20)
keyword_results = es_client.search(index="docs", body={"query": {"match": {"content": query}}, "size": 20})每路的top_k或size建议设为最终需要条数的2到3倍。
例如最终要10条，每路取20条。
太少会导致融合后候选不足，太多会增加计算开销。
向量检索侧注意嵌入模型必须与建库时一致，查询向量维度不能错。
关键词检索侧注意分词器和字段映射，中文环境建议使用ik分词器，否则匹配效果会打折扣。
用RRF融合结果并去重
RRF（Reciprocal Rank Fusion）按排名融合，不依赖分数绝对值，适合不同检索器的结果合并。
公式为score = sum(1 / (k + rank))，其中k常取60。
配置步骤：
- 将两路结果按各自分数降序排列，得到排名。
- 对每个文档ID计算RRF分数：每路中该文档的
1/(60+排名)相加，未出现的路不计。 - 按RRF分数降序排序，取前N条。
- 按文档ID去重，保留最高分那条。
如果使用LangChain，可以直接用EnsembleRetriever，传入两个retriever并设置weights和c参数（对应k值）。
融合后建议再截断到最终条数，避免下游处理过多候选。
避坑：分数尺度不一致和重复文档
不同检索器的分数范围可能完全不同，向量相似度常在0到1之间，而BM25分数可能从0到几十。
直接加权平均会导致某一路主导结果。
使用RRF可以避开这个问题，如果坚持用分数加权，务必先做归一化。
另一个常见问题是同一文档在两路中重复出现，融合后需要按ID去重。
去重时保留RRF分数高的那条，不要简单保留先出现的。
还有一点：如果关键词检索返回空结果，检查查询词是否被分词器拆散，或字段是否设置了analyzed。
验证召回效果是否达标
配置完成后，用一组已知答案的查询做验证：
- 准备10到20个查询，每个查询标记1到2个相关文档。
- 分别运行单路召回和融合召回，计算召回率（相关文档是否出现在前N条中）。
- 对比融合前后召回率变化，如果融合后反而下降，检查融合权重或去重逻辑。
也可以用日志观察每路返回条数和耗时，确保两路都正常执行。
如果某一路经常返回0条，优先排查该路检索器本身。
多路召回配置不是一次调完就结束，上线后应根据查询日志定期复查各路召回率和融合效果，再微调每路数量和融合参数。
