待验证50% 置信解决方案精确时间
工业级RAG通常将向量相似度检索（ANN算法如HNSW）与BM25关键词检索结合，再通过Rerank模型（Cross-Encoder架构）对召回结果精排
1
来源数
50%
置信度
长期有效
时效性
2026/7/24
首次发现
来源
相关事实
待验证传统RAG依赖基于BM25算法的关键词稀疏检索和基于FAISS、Chroma等向量数据库的稠密向量检索80% 相似待验证混合检索通过BM25关键词得分与向量相似度得分加权融合（通常采用RRF倒数排名融合算法），已成为RAG系统的主流范式80% 相似待验证重排序（Rerank）模型如Cohere Rerank、BGE-Reranker利用Cross-Encoder架构对查询与文档相关性进行精细评分，是RAG精度优化的关键一环79% 相似待验证重排序通常采用CrossEncoder架构，将查询与候选块拼接后进行相关性评分，在工业级RAG系统中已成为标准的粗排+精排两阶段架构77% 相似待验证混合检索（向量检索+BM25关键词检索）和Self-RAG（模型自评估是否需要检索）是RAG的进阶技术方向77% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/608085API
curl https://kongchang.com/api/v1/knowledge/claims/608085MCP
get_claim(id=608085)