09-关键词与向量结合-Hybrid-Search混合检索实战
关键词检索与向量检索结合Hybrid Search混合检索实战系列从零构建企业 RAG 知识库第 9 篇1. 为什么两种检索互补向量检索擅长同义表达和语义相关关键词检索擅长精确编号、产品名、错误码和罕见术语。“无法登录系统” ↔ “认证失败” 向量检索可能更强 “ERR-1042” ↔ 文档中的 ERR-1042 关键词检索通常更可靠Hybrid Search 同时获取两路候选再融合排名。它不是把两个分数直接相加因为 BM25 与余弦分数的量纲不同。2. 一个简化 BM25 实现fromcollectionsimportCounterfromdataclassesimportdataclassfrommathimportlogimportredeftokenize(text:str)-list[str]:教学分词生产中文检索应使用经过评测的分析器。returnre.findall(r[a-z0-9_-]|[\u4e00-\u9fff],text.lower())dataclass(frozenTrue)classSearchDocument:document_id:strtenant_id:strtext:strvector:tuple[float,...]defbm25_scores(query:str,documents:list[SearchDocument],k1:float1.5,b:float0.75,)-dict[str,float]:ifnotdocuments:return{}tokenized{doc.document_id:tokenize(doc.text)fordocindocuments}avg_lengthsum(map(len,tokenized.values()))/len(documents)query_termsset(tokenize(query))scores{doc.document_id:0.0fordocindocuments}forterminquery_terms:containingsum(termintokensfortokensintokenized.values())idflog(1(len(documents)-containing0.5)/(containing0.5))fordocumentindocuments:tokenstokenized[document.document_id]frequencyCounter(tokens)[term]iffrequency0:continuelength_factor1-bb*len(tokens)/max(avg_length,1)scores[document.document_id]idf*(frequency*(k11)/(frequencyk1*length_factor))returnscores这是教学实现未覆盖生产搜索引擎的分词、字段权重和优化。3. 向量排名frommathimportsqrtdefcosine(left:tuple[float,...],right:tuple[float,...])-float:ifnotleftorlen(left)!len(right):raiseValueError(向量维度不一致)denominatorsqrt(sum(x*xforxinleft))*sqrt(sum(x*xforxinright))return0.0ifdenominator0elsesum(x*yforx,yinzip(left,right))/denominatordefvector_ranking(query_vector:tuple[float,...],documents:list[SearchDocument],)-list[str]:return[item.document_idforiteminsorted(documents,keylambdadoc:(-cosine(query_vector,doc.vector),doc.document_id,),)]4. 使用 RRF 融合排名Reciprocal Rank Fusion倒数排名融合只使用名次不要求两路分数同尺度defreciprocal_rank_fusion(rankings:list[list[str]],rank_constant:int60,)-list[tuple[str,float]]:ifrank_constant0:raiseValueError(rank_constant 必须大于 0)scores:dict[str,float]{}forrankinginrankings:forrank,document_idinenumerate(ranking,start1):scores[document_id]scores.get(document_id,0.0)(1.0/(rank_constantrank))returnsorted(scores.items(),keylambdaitem:(-item[1],item[0]))60是常见示例参数不是必须值应通过查询集调优。5. 完整的权限内混合检索defhybrid_search(query:str,query_vector:tuple[float,...],documents:list[SearchDocument],tenant_id:str,allowed_documents:frozenset[str],top_k:int5,)-list[SearchDocument]:# 两路检索使用完全相同的授权候选集合candidates[docfordocindocumentsifdoc.tenant_idtenant_idanddoc.document_idinallowed_documents]ifnotcandidates:return[]lexical_scoresbm25_scores(query,candidates)lexical_rank[keyforkey,scoreinsorted(lexical_scores.items(),keylambdaitem:(-item[1],item[0]),)ifscore0]semantic_rankvector_ranking(query_vector,candidates)fused_ids[document_idfordocument_id,_inreciprocal_rank_fusion([lexical_rank,semantic_rank])[:top_k]]document_map{doc.document_id:docfordocincandidates}return[document_map[document_id]fordocument_idinfused_ids]6. 可复验测试deftest_rare_error_code_is_recovered()-None:documents[SearchDocument(semantic,t1,登录认证失败处理,(1.0,0.0)),SearchDocument(exact,t1,错误码 ERR-1042 修复步骤,(0.0,1.0)),SearchDocument(other,t2,ERR-1042 内部秘密,(0.0,1.0)),]resulthybrid_search(ERR-1042,query_vector(1.0,0.0),documentsdocuments,tenant_idt1,allowed_documentsfrozenset({semantic,exact,other}),top_k2,)ids[item.document_idforiteminresult]assertexactinidsassertothernotinids7. 如何评测混合检索分别报告关键词、向量和混合三组结果RecallK正确证据是否进入前 KMRR第一个正确结果排在多前NDCG多个相关等级的排序质量零结果率、P95 延迟和检索成本按编号查询、自然语言、错别字和多语言切片。如果混合结果没有优于单路就不应仅因架构更复杂而上线。8. 对抗性审查两路检索必须使用相同权限过滤不把两种原始分数直接相加关键词索引和向量索引更新应保持版本一致对重复 Chunk 去重恶意文档可堆砌关键词需要来源质量和重排查询日志不默认保存敏感原文。9. 总结混合检索用关键词守住精确匹配用向量扩展语义召回再用稳定融合算法组合候选。它提升的是召回候选质量最终仍需要重排和生成校验。

相关新闻

18-Prompt-AB测试实战-用数据选择更好的提示词

18-Prompt-AB测试实战-用数据选择更好的提示词

Prompt A/B 测试实战:用数据选择更好的提示词 系列:Python FastAPI 大模型应用基础(第 18 篇) 1. A/B 测试不是随机发两个版本就结束 Prompt A/B 测试要回答因果问题:在其他条件尽量一致时,版本 B 是否改…

2026/8/5 17:15:53 阅读更多 →
C程序能调用extern “C“声明的带默认参数的C++函数吗?

C程序能调用extern “C“声明的带默认参数的C++函数吗?

问题场景 C函数带默认参数,并用 extern "C"导出为动态库,C程序能否直接调用并享受默认参数? // mylib.cpp extern "C" void foo(int a, int b 0) { /* ... */ }C程序试图只传一个参数:foo(42);—— 这是错误…

2026/8/5 17:14:53 阅读更多 →
AI会员订阅系统落地全路径(从冷启动到LTV提升217%的闭环架构)

AI会员订阅系统落地全路径(从冷启动到LTV提升217%的闭环架构)

更多请点击: https://codechina.net 第一章:AI会员订阅系统落地全路径(从冷启动到LTV提升217%的闭环架构) 构建高转化、高留存的AI会员订阅系统,核心在于打通“冷启动→智能分层→动态定价→行为干预→LTV反哺”的正向…

2026/8/5 17:14:53 阅读更多 →

最新新闻

SETSMS:免费匿名短信批量管理工具深度解析

SETSMS:免费匿名短信批量管理工具深度解析

SETSMS:免费匿名短信批量管理工具深度解析 【免费下载链接】SETSMS Es una herramienta de automatizacin de spam de mensajes de texto a un nmero telefnico de manera gratuita y annima. Utiliza las herramientas (Quack - Impulse) para realizar el spam, a…

2026/8/5 17:57:08 阅读更多 →
DouK-Downloader:构建企业级抖音TikTok数据采集架构的技术实现

DouK-Downloader:构建企业级抖音TikTok数据采集架构的技术实现

DouK-Downloader:构建企业级抖音TikTok数据采集架构的技术实现 【免费下载链接】TikTokDownloader TikTok 发布/喜欢/合辑/直播/视频/图集/音乐;抖音发布/喜欢/收藏/收藏夹/视频/图集/实况/直播/音乐/合集/评论/账号/搜索/热榜数据采集工具/下载工具 项…

2026/8/5 17:57:08 阅读更多 →
Key Mapper:重新定义Android设备交互逻辑的开源按键映射解决方案

Key Mapper:重新定义Android设备交互逻辑的开源按键映射解决方案

Key Mapper:重新定义Android设备交互逻辑的开源按键映射解决方案 【免费下载链接】KeyMapper An Android app to remap the buttons on your devices 项目地址: https://gitcode.com/gh_mirrors/ke/KeyMapper 在Android生态系统中,物理按键的功能…

2026/8/5 17:57:08 阅读更多 →
dmol-book框架选择深度解析:Jax vs PyTorch哪个更适合你的分子模型?

dmol-book框架选择深度解析:Jax vs PyTorch哪个更适合你的分子模型?

dmol-book框架选择深度解析:Jax vs PyTorch哪个更适合你的分子模型? 【免费下载链接】dmol-book Deep learning for molecules and materials book 项目地址: https://gitcode.com/gh_mirrors/dm/dmol-book 在分子和材料科学的深度学习研究中&…

2026/8/5 17:57:08 阅读更多 →
从视频下载到智能学习:BiliTools如何重新定义B站内容消费体验

从视频下载到智能学习:BiliTools如何重新定义B站内容消费体验

从视频下载到智能学习:BiliTools如何重新定义B站内容消费体验 【免费下载链接】BiliTools 本项目已停止维护。 项目地址: https://gitcode.com/GitHub_Trending/bilit/BiliTools 在数字内容爆炸的时代,B站作为中国最大的视频学习平台,…

2026/8/5 17:57:08 阅读更多 →
RDPWrap完全指南:免费解锁Windows多用户远程桌面限制

RDPWrap完全指南:免费解锁Windows多用户远程桌面限制

RDPWrap完全指南:免费解锁Windows多用户远程桌面限制 【免费下载链接】rdpwrap.ini RDPWrap.ini for RDP Wrapper Library by StasM 项目地址: https://gitcode.com/GitHub_Trending/rd/rdpwrap.ini RDPWrap是一个开源项目,通过巧妙的配置文件机制…

2026/8/5 17:56:07 阅读更多 →

日新闻

Java缓存框架:JetCache

Java缓存框架:JetCache

TOC 一、简介 JetCache 是一个 Java 缓存抽象框架,为不同的缓存解决方案提供了统一的使用方式。 它提供的注解比 Spring Cache 更加强大。 JetCache 的注解支持原生 TTL、两级缓存以及在分布式环境中的自动刷新功能,同时你也可以通过代码直接操作 Cach…

2026/8/5 0:00:43 阅读更多 →
AD 铺铜设置十字连接,过孔全连接,新版AD的简单设置

AD 铺铜设置十字连接,过孔全连接,新版AD的简单设置

需求:通孔焊盘 十字花;过孔 Via 实心直连;贴片焊盘按需设置 AD 测试版本AD24 很多工程师踩坑:全部统一十字,导致接地过孔阻抗高、大电流发热! 一、快捷键打开规则 PCB 界面按下:D R 展开…

2026/8/5 0:00:43 阅读更多 →
AI素描转换技术深度拆解(2024最新论文+工业级落地代码):从Stable Diffusion ControlNet到LoRA微调全链路解析

AI素描转换技术深度拆解(2024最新论文+工业级落地代码):从Stable Diffusion ControlNet到LoRA微调全链路解析

更多请点击: https://kaifayun.com 第一章:AI生成素描效果 AI生成素描效果是计算机视觉与风格迁移技术融合的典型应用,其核心在于将彩色照片或RGB图像转换为具有手绘质感、明暗对比强烈、边缘清晰的单色素描图像。该过程通常依赖于深度学习模…

2026/8/5 0:00:43 阅读更多 →

周新闻

最大流算法详解:从水管网络到Ford-Fulkerson与Dinic实战

最大流算法详解:从水管网络到Ford-Fulkerson与Dinic实战

1. 从水管网络到最大流:一个核心问题的诞生想象一下,你是一个城市供水系统的总工程师。你的城市有多个水源(水库),需要通过一个复杂的地下管道网络,将水输送到各个居民区。每条管道都有其最大通水能力&…

2026/8/5 15:00:43 阅读更多 →
基于Springboot的企业门户网站(源码+LW+调试文档+讲解)

基于Springboot的企业门户网站(源码+LW+调试文档+讲解)

温馨提示:本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:本人主页置顶文章(点我)开头有 CSDN 平台官方提供的学长联系方式的名片! 温馨提示:本人主页置顶文章(点我)开头有 CSDN 平台…

2026/8/5 13:13:56 阅读更多 →
MATLAB xcorr函数详解:从互相关原理到四大实战应用

MATLAB xcorr函数详解:从互相关原理到四大实战应用

1. 从一次信号“找茬”说起:为什么我们需要互相关几年前,我在处理一组声学传感器数据时遇到了一个棘手的问题。我有两个麦克风记录了一段相同的音频信号,理论上它们接收到的声音波形应该非常相似,只是由于麦克风位置不同&#xff…

2026/8/5 10:20:36 阅读更多 →

月新闻

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南

免费解锁百度网盘SVIP加速:macOS用户必备的下载提速终极指南 【免费下载链接】BaiduNetdiskPlugin-macOS For macOS.百度网盘 破解SVIP、下载速度限制~ 项目地址: https://gitcode.com/gh_mirrors/ba/BaiduNetdiskPlugin-macOS 还在为百度网盘macOS版的龟速下…

2026/8/4 13:38:24 阅读更多 →
终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换

终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换

终极ncmdump指南:3分钟实现网易云NCM音乐解密与格式转换 【免费下载链接】ncmdump 项目地址: https://gitcode.com/gh_mirrors/ncmd/ncmdump 还在为网易云音乐下载的NCM格式文件无法在其他播放器播放而烦恼吗?ncmdump解密工具帮你轻松解决这个困…

2026/8/4 11:09:16 阅读更多 →
HarmonyOS 应用开发《掌上英语》第81篇: 智能体卡片:为英语学习 App 打造桌面级学习助手

HarmonyOS 应用开发《掌上英语》第81篇: 智能体卡片:为英语学习 App 打造桌面级学习助手

AgentCard 智能体卡片:为英语学习 App 打造桌面级学习助手适用平台:HarmonyOS 7.0 (API 26 Beta)一、引言 HarmonyOS 7.0(API 26 Beta)新增了 AgentCard 智能体卡片能力,这是继 HMAF(鸿蒙智能体框架&#x…

2026/8/4 13:38:40 阅读更多 →