混合检索（Hybrid Search）

一句话

关键词检索 + 语义检索，双路并行，结果合并。 既能精准命中冷门术语，又能理解同义改写。

为什么需要它

纯 BM25 和纯 Embedding 各有软肋：

场景	BM25	Embedding
搜「LangGraph」这种专有名词	✅ 精准命中	⚠️ 可能被语义稀释
搜「怎么让 AI 自己决定查几次」	❌ 关键词对不上	✅ 语义理解
搜缩写/别名（如 MQ → 消息队列）	❌ 不认识	✅ 训练时学过
搜代码/编号（如 ERR-5001）	✅ 精确匹配	❌ 向量漂移

混合检索 = 取两边的并集，各自发挥优势。

流程

           ┌─→ ES BM25 关键词检索 ─→ hits_es ─┐
用户问题 ──┤                                   ├─→ 合并去重 ─→ Rerank
           └─→ Milvus Embedding 语义检索 ─→ hits_milvus ─┘

实际项目中的典型配置

ES: 召回 top 10    （关键词）
Milvus: 召回 top 10 （语义）
合并去重: 按 id，保留分数更高的
Rerank: 精排取 top 3

应用场景

场景	说明
企业知识库	用户可能搜「HR-001 政策」也搜「请假规定怎么走」——术语和自然语言都要覆盖
电商搜索	「iPhone 15 Pro Max 256GB 钛金色」= 关键词；「适合跑步的手机」= 语义
技术文档	函数名、错误码用关键词精准命中；实现方案和教程用语义检索

横向对比

	纯 BM25/ES	纯 Embedding/Milvus	混合检索
专有名词/编号	🟢 精准	🔴 可能漂移	🟢 互补
自然语言问题	🔴 词对不上	🟢 语义理解	🟢 互补
召回完整性	🟡 有漏	🟡 有漏	🟢 最全
实现复杂度	⭐	⭐⭐	⭐⭐⭐
存储成本	低	高（向量库）	高（两套）

优缺点

优点： 互补短长，关键词命中术语、语义兜底表达方式，是当前 RAG 召回阶段的最优解 缺点： 需要同时维护 ES 和 Milvus 两套基础设施，存储成本翻倍，合并去重逻辑需要调校（怎么归一化两种不同维度的分数）

如何选择

你的文档特点——
├─→ 都是代码/日志/编号（高度结构化） → 纯 BM25 就够
├─→ 都是教程/博客（自然语言为主）   → 纯 Embedding 就够
└─→ 混合（有代码有文档有 FAQ）       → 混合检索，不纠结

小结

混合检索是 RAG 召回阶段的工程最优解。它不是「哪个更好」的选择题，而是「两个都要」的加法——当你无法预测用户的提问方式时，两条腿走路一定比一条腿稳。

下一步

• BM25 — 关键词检索这条腿
• Embedding — 语义检索这条腿
• Rerank — 合并后精排