RRF
一种多路检索结果融合算法，将不同检索系统返回的结果按排名倒数加权求和，无需分数归一化，实现简单、鲁棒性强，常用于混合检索的结果融合。
核心事实
时间轴 (近 90 天)
Beau Carnes 在 freeCodeCamp 课程中演示了在 PostgreSQL 内结合 BM25 关键词检索与向量检索，并用倒数排名融合（RRF）合并两路结果的方法。
课程中的混合查询执行计划显示：关键词取 20 行、向量取 20 行，聚合后 40 条记录去重为 32 篇，即有 8 篇同时被两种方法找到。
在E4012查询中，BM25将正确页面排第1（得分1/61），向量搜索排第14（1/74），RRF融合后正确页面得分约0.030，而E4021页面得分约0.016，正确页面得分几乎翻倍。
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。
在自建测试集（120条真实查询，其中38条包含标识符）上，纯向量检索命中21/38条标识符查询，纯BM25（保留标识符分词器）命中36/38条，混合+RRF命中全部38条。
RRF 只依赖排名而非原始分数，因此不受不同通道分数尺度不一致的影响，且不需要为每个通道调参。
Elastic的RRF融合默认平滑常数k为60。
RRF只使用每个列表中的排名（rank）而非原始分数，因此对BM25和向量相似度的分数尺度差异免疫。
RRF中常数k=60的作用是平滑，压低第1名与第2名之间的差距，让在多路中都出现比单路第一更重要。
Elasticsearch在其RRF文档中使用k=60作为rank_constant的默认值。
还有 26 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RRF 是一种无需调参的排名合并算法，仅利用排名位置按 1/(k+rank) 累加得分，常数 k 通常取 60。
65%已验证RRF 的核心公式为 RRF_score(d) = Σ 1 / (k + rank_i(d))，其中 k 是平滑常数常取 60
65%已验证PostgreSQL可通过pgvector支持向量检索
65%已验证RRF（倒数排名融合）将两路检索结果按排名倒数加权求和，无需对分数做归一化，实现简单且鲁棒性强
65%已验证RRF不需要对不同检索器的原始分数进行归一化，只依赖排名信息，但当多个检索器在同类查询上系统性犯错时RRF只会放大错误
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RRF（倒数排名融合）仅利用各路召回的排名位置信息（公式RRF(d)=Σ1/(k+rank_i(d))，k通常取60），对分数分布不敏感，绕开了跨模态分数对齐难题
65%已验证Reciprocal Rank Fusion（RRF）算法由Cormack等人于2009年提出，其核心公式为Score = Σ 1/(k + rank_i)，其中k通常取60作为平滑常数
65%待验证RRF对各路检索的原始分数分布不敏感，相比简单的线性加权在混合检索场景中更加鲁棒
60%待验证课程中的混合查询执行计划显示：关键词取 20 行、向量取 20 行，聚合后 40 条记录去重为 32 篇，即有 8 篇同时被两种方法找到。
50%待验证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。
50%待验证在自建测试集（120条真实查询，其中38条包含标识符）上，纯向量检索命中21/38条标识符查询，纯BM25（保留标识符分词器）命中36/38条，混合+RRF命中全部38条。
50%待验证在E4012查询中，BM25将正确页面排第1（得分1/61），向量搜索排第14（1/74），RRF融合后正确页面得分约0.030，而E4021页面得分约0.016，正确页面得分几乎翻倍。
50%待验证RRF 只依赖排名而非原始分数，因此不受不同通道分数尺度不一致的影响，且不需要为每个通道调参。
50%待验证Elastic的RRF融合默认平滑常数k为60。
50%待验证RRF只使用每个列表中的排名（rank）而非原始分数，因此对BM25和向量相似度的分数尺度差异免疫。
50%待验证Elasticsearch在其RRF文档中使用k=60作为rank_constant的默认值。
50%