多路召回：向量检索 + 关键词检索的混合方案

单路召回的盲区

• 纯向量检索：懂语义，但精确词不敏感 —— 搜"GLM-4-Flash 型号"可能召回一堆讲 GLM 的泛泛文章；
• 纯关键词检索（BM25）：精确匹配强，但不懂同义改写 —— 搜"钱怎么退"匹配不到"退款流程"。

两者的短板恰好互补 —— 这就是混合检索（Hybrid Search）存在的理由。

双路并行 + RRF 融合

用户问题 ─┬─ 向量检索（语义路）──→ Top-20 ─┐
          └─ BM25 关键词检索 ──→ Top-20 ─┴─→ RRF 融合排序 → Top-N

RRF 分数 = Σ 1 / (k + rank_i)     # k 常取 60
          （每路按排名倒数计分，两路分数相加）

RRF（倒数排名融合）的好处：不需要把两路的分数归一到同一量纲（向量余弦分和 BM25 分完全不可比），只用排名计算，简单稳健。

LangChain 实现

from langchain.retrievers import EnsembleRetriever
from langchain_community.retrievers import BM25Retriever

bm25 = BM25Retriever.from_documents(chunks, k=10)
vector = vectorstore.as_retriever(search_kwargs={"k": 10})
hybrid = EnsembleRetriever(
    retrievers=[bm25, vector],
    weights=[0.5, 0.5],        # 两路权重
    c=60)                       # RRF 常数

调优要点

• 专有名词、型号、编号密集的领域（法律条款、API 文档）加大 BM25 权重；
• 口语化提问多的场景加大向量权重；
• 每路召回 Top-20 再融合取 Top-10，比每路只取 5 条效果好 —— 先保召回量，精排交给下一课的 Rerank。