语义检索与混合搜索：基于Elasticsearch和Milvus的召回优化

系列导读

你现在看到的是《企业知识库智能问答平台：从架构设计到生产落地的完整实践》的第3/10篇，当前这篇会重点解决：教会读者如何结合传统检索与语义检索，实现精准、高效的智能问答召回。

上一篇回顾：第 2 篇《知识库数据预处理实战：文档解析、清洗与向量化全流程》主要聚焦 掌握从原始文档到高质量向量的全链路处理，为检索系统提供可靠的数据基础。 下一篇预告：第 4 篇《RAG（检索增强生成）实战：将企业知识库与LLM无缝集成》会继续展开 让读者掌握RAG的核心实现方法，使大模型真正基于企业内部知识进行精准回答。

全系列安排

1. 企业知识库智能问答平台架构全景：从需求分析到技术选型
2. 知识库数据预处理实战：文档解析、清洗与向量化全流程
3. 语义检索与混合搜索：基于Elasticsearch和Milvus的召回优化（本文）
4. RAG（检索增强生成）实战：将企业知识库与LLM无缝集成
5. 对话管理引擎：多轮交互与上下文维护的架构设计
6. 高并发问答服务架构：负载均衡、缓存与限流实战
7. 模型部署与推理优化：LLM在GPU上的生产级实践
8. 知识库增量更新与版本管理：数据流水线设计
9. 问答效果评估与持续优化：离线评测与线上监控体系
10. 从零到一：企业知识库智能问答平台的全流程部署与运维总结

一、引入：为什么单一的搜索策略不够用？

在上一篇文章《知识库数据预处理实战：文档解析、清洗与向量化全流程》中，我们已经将原始文档（如PDF、Word、Markdown