混合检索
混合检索（Hybrid Search）是一种将关键词检索（如BM25等稀疏检索）与向量检索（稠密语义检索）相结合的信息检索技术方案。通过融合两种检索方式的结果并进行重新排序，能够同时兼顾精确词语匹配与语义相似度匹配的优势，弥补单一检索方式在召回率或语义理解上的不足，广泛应用于搜索引擎、问答系统及检索增强生成（RAG）等场景。
核心事实
时间轴 (近 90 天)
在LExGraph中，混合检索负责从记忆节点中定位种子，邻居扩展在此基础上补充结构关联，构成“先定位、再扩散”的两阶段证据获取流程。
混合检索通常指融合稠密检索和稀疏检索的结果，以互补优势。
多租户 RAG 的检索质量优化包括分块策略、混合检索（向量+关键词）、重排序（Rerank）等工程细节。
该方案可以保留规则作为兜底，核心路径替换为BERT意图识别加混合检索，转人工打分机制可以独立先上。
交叉编码器重排序器只能对检索返回的候选重排，如果向量搜索将正确文本块埋在14位而只取前10，重排序器无法看到它；重排序器应放在混合检索之后而非替代混合检索。
混合检索时应从每侧取约50个候选而非5个，否则若正确文档在一个列表中排第14，融合永远看不到它。
纯向量检索在专有名词、编号、精确匹配类查询上容易失效，而纯关键词检索无法处理语义改写和同义表达，因此生产级RAG几乎必然走向混合检索。
目前没有权威方法能根据数据形态自动推导混合检索中语义与关键词的权重，实践做法是准备判断集并反复实验找到最优权重。
掌握大模型底层原理（如KV缓存、前缀缓存）、混合检索、模型微调、强化学习、数据清洗及评测集搭建，可胜任项目负责人角色并对标30K以上岗位。
混合搜索同时运行稠密向量搜索和经典关键词搜索（BM25），并通常使用倒数排名融合（Reciprocal Rank Fusion）来合并结果，融合公式为对每个文档出现在各列表中的排名求和 1 / (k + rank)。
还有 12 条时间轴事件
全部知识事实 (20)
混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%已验证混合检索（Hybrid Search）融合稠密检索（Dense Retrieval）与稀疏检索（BM25）
80%已验证混合检索通常通过RRF（倒数排名融合，Reciprocal Rank Fusion）算法将两路检索结果加权合并
80%已验证混合检索（将稠密向量检索与BM25稀疏检索结合）比单一方法在大多数基准上表现更好
75%已验证高级RAG已引入查询重写、混合检索和重排序等机制以提升检索准确性
70%已验证混合检索结合BM25稀疏检索与向量稠密检索，通过RRF或线性加权合并排名结果
70%已验证RAG系统的召回主要有两种方式：向量相似度计算和关键词匹配
70%已验证记忆检索应叠加时间衰减、重要性加权和混合检索，而非仅依靠向量相似度
65%已验证混合检索通过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
65%已验证实际生产中通常会结合向量相似度和关键词匹配两种方式进行混合检索
65%已验证在多个真实业务场景中，混合检索相比单一检索方式可将召回准确率提升15%至30%
65%待验证向量相似度与关键词BM25的混合检索能显著提升召回准确率
70%待验证高质量harness通常采用混合检索策略，将语义相似度与符号精确匹配结合，再通过重排序模型对候选片段打分
70%待验证成熟的大厂RAG项目统一采用混合检索架构，不会单独使用向量检索
70%待验证混合检索（Hybrid Search）、重排序（Re-ranking）、多路召回是RAG的进阶技术
60%待验证多路召回（Hybrid Search）融合稠密向量检索与稀疏BM25检索的结果
60%待验证在LExGraph中，混合检索负责从记忆节点中定位种子，邻居扩展在此基础上补充结构关联，构成“先定位、再扩散”的两阶段证据获取流程。
50%待验证混合检索通常指融合稠密检索和稀疏检索的结果，以互补优势。
50%待验证多租户 RAG 的检索质量优化包括分块策略、混合检索（向量+关键词）、重排序（Rerank）等工程细节。
50%待验证该方案可以保留规则作为兜底，核心路径替换为BERT意图识别加混合检索，转人工打分机制可以独立先上。
50%