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…

2026/10/27 1:39:24 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…

2026/10/21 4:58:45 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…

2026/10/22 11:41:25 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/10/26 12:00:21 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/10/25 22:36:10 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/10/26 4:52:12 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/10/26 12:00:21 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/10/26 5:00:37 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/10/26 3:16:46 阅读更多 →

日新闻

周新闻

月新闻

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

我发现了一个新思路:用 Remotion + Claude Code 像写代码一样自动化生成短视频

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/26 12:00:19 阅读更多 →
Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式:TaoToken 统一 Key 配置与验证

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/25 13:21:54 阅读更多 →
黑夜航拍船只数据集训练YOLOV5模型全流程解析

黑夜航拍船只数据集训练YOLOV5模型全流程解析

/* MD / 富文本中的 .toc(含博客园搬家等嵌套结构);.toc-box 在侧栏,不受影响 */#content_views .toc,/* 编辑器常在目录前后插入空 p(:empty 仍占 20px),一并去掉避免顶空隙 */#content_views.markdown_views > p:empty:has(+ .toc),#content_views.markdown_views …

2026/10/26 8:34:37 阅读更多 →