在 RAG 系统中，单纯依赖关键词检索（BM25 等）或纯粹的向量检索（Embedding + ANN）往往存在局限：

• 关键词检索：覆盖度高，但语义理解有限；

• 向量检索：能捕捉语义，但容易误召回或漏召关键字。

因此，业界普遍采用 Hybrid Search（混合检索） —— 同时结合关键词检索与向量检索，以提升准确度和鲁棒性。常见的混合策略主要有以下四类。

---

一、线性/加权分数融合（Weighted Score Fusion）

思路：
分别运行 BM25（或 BM25F）和向量检索，得到两个分数，再做归一化并加权融合：

代表实现：

• Weaviate 的 hybrid 查询接口自带 alpha 参数（0 = 纯关键词，1 = 纯向量，0.5 = 各占一半），内部并行检索后融合输出。

适用场景：

• 最常用、最快落地的方案；

• 权重 α 可通过小规模实验调优（常见范围 0.3–0.7）。

---

二、RRF（Reciprocal Rank Fusion，倒数名次融合）

思路：
不直接融合分数，而是融合排序名次：

代表实现：

• Azure AI Search 提供了 RRF 排序功能；

• OpenSearch 内置了 RRF 混排；

• 社区在 Elasticsearch 中也常用 RRF 合并 BM25 与向量检索结果。

适用场景：

• 当 BM25 与向量检索分数量纲不同、难以直接归一时；

• 希望避免复杂调参，追求鲁棒性。

---

三、学习排序 / 重排（Cross-Encoder Re-rank）

思路：
先用 BM25 与向量检索分别取 Top-N 候选，合并后交给 重排模型（Cross-Encoder 或 bge-reranker） 逐条重新打分，再得到最终排序。

代表实践：

• Qdrant 的官方教程推荐“两阶段”方案：BM25 + 向量召回 → Cross-Encoder 重排；

• Elastic、Vespa 等也常用此模式。

适用场景：

• 对准确率要求极高的场景，如客服问答、法规/合规检索。

• 缺点：增加一次模型调用，延迟和计算成本更高。

---

四、稀疏+稠密一体化（Sparse-Dense Hybrid）

思路：
将关键词检索也表示为“稀疏向量”（如 SPLADE、uniCOIL），与稠密向量在同一引擎里融合，形成统一的检索框架。

代表实现：

• Weaviate 与 Vespa：原生支持 sparse + dense 同时检索并融合打分；

• Elasticsearch：提供多种 Hybrid 检索策略，支持将稀疏/稠密得分放在同一排序表达式中。

适用场景：

• 需要把 Hybrid 逻辑内置到底层引擎，追求更稳定一致的行为。

---

五、如何选择？

• 快速上线 / 默认首选：线性加权分数融合（Weighted Fusion），简单高效。

• 追求鲁棒、少调参：RRF（Reciprocal Rank Fusion），跨模态分数难对齐时尤其适合。

• 追求极致准确率：候选合并后加 Cross-Encoder 重排，适合客服、金融、法律等对答案精度要求高的业务。

• 长期工程优化：采用 Sparse + Dense 一体化方案，让系统层面天然支持 Hybrid。

---

总结

Hybrid Search 的核心目标是结合 关键词检索的精确性 与 向量检索的语义能力，实现更强的检索效果：

• Weighted Fusion：最常用、可调节精度与召回的平衡；

• RRF：更健壮的无参排序融合；

• Cross-Encoder 重排：牺牲性能换取极致精度；

• Sparse + Dense 一体化：系统级方案，适合长期工程化部署。

根据业务场景和性能需求，可以灵活选择或组合使用这些方法，构建高效稳定的混合检索系统。