混合检索RAG：关键词+向量让检索提升30%

混合检索RAG融合BM25关键词匹配与向量相似度，补齐各自的短板。我们用 Qdrant 和 pgvector 给出真实实现。

💡 你将学到

混合检索RAG融合BM25关键词匹配与向量相似度，补齐各自的短板。我们用 Qdrant 和 pgvector 给出真实实现。

向量检索找得到语义却漏掉精确词；BM25 找得到精确词却漏掉语义。混合检索RAG同时跑两种再合并结果——大多数基准测试里，这一项改动就能比纯向量检索提升 20-30% 的检索精度。

为什么混合方案赢

典型翻车场景：带产品编码（ABC-123）或精确名称的查询会被嵌入模型搞坏；带同义词的查询会被 BM25 搞坏。混合方案两者都覆盖。Qdrant（33,810 星）内置稀疏向量混合检索；pgvector（22,508 星）用 tsvector 加向量列支持；Milvus（45,533 星）有原生混合排序。

实现模式：同一块内容同时做稠密嵌入和稀疏/关键词表示，两种查询都跑，用倒数排名融合（RRF）或加权分数合并，再用 ColBERT 或 BGE 重排器对 top N 重排，得到最终上下文。

对比

常见问题

问：什么时候不该用混合检索？
答：语料很小（少于 5 千块）且查询偏对话式时，纯向量可能就够。混合会带来索引和调参开销。

问：什么是倒数排名融合（RRF）？
答：RRF 按 1/(k + rank) 求和合并排名列表，是一种无需调参的关键词与向量排名合并方法。