纯向量检索对精确型号、错误码和缩写可能不敏感;纯关键词又容易漏掉语义相近表达。混合检索先扩大候选集,再用重排和业务过滤得到最终上下文。
核心概念
关键词检索负责精确命中,向量检索负责语义召回,过滤器负责租户与权限。重排模型只比较已授权候选,不能用重排结果绕过访问控制。
可运行示例
def reciprocal_rank_fusion(*ranked_lists: list[str], k: int = 60) -> list[str]:
scores: dict[str, float] = {}
for items in ranked_lists:
for rank, item in enumerate(items, start=1):
scores[item] = scores.get(item, 0) + 1 / (k + rank)
return [item for item, _ in sorted(scores.items(), key=lambda pair: pair[1], reverse=True)]
assert reciprocal_rank_fusion(['a', 'b'], ['b', 'c'])[0] in {'a', 'b'}
操作步骤
- 分别实现关键词和向量召回,并给每个候选附带文档权限标签。
- 先合并候选,再执行租户、角色和文档状态过滤。
- 对剩余候选做重排或规则打分,保留来源和分数用于调试。
- 用精确问题、模糊问题和跨语言问题集分别评测。
适用场景
适合产品搜索、技术支持和多语言知识库。
常见问题
重排是否能修复权限问题? 不能,权限过滤必须在重排前完成。
融合权重怎么定? 先用固定规则建立基线,再用标注集调整,不凭单次示例决定。
结果不足怎么办? 明确返回缺少依据,而不是让模型补写不存在的事实。
官方参考
OpenAI Retrieval;Qdrant Filtering。
最后核对日期:2026-11-16。版本、接口和安全边界以链接的官方资料为准;本文不虚构性能或费用结论。
