RAG 检索质量从 60% 到 90%：混合检索 + 重排序的完整实践
纯向量检索用 Embedding 模型，用户问「振动异常」，知识库写「振动超标」——搜不到。混合检索就是答案。
单一检索的局限
上篇我搭好了 RAG 管道：文本分块 → Embedding → Milvus → 检索。跑 10 条测试查询，纯向量检索的命中率约 60%。
60% 的意思是：10 个问题中有 4 个搜不到正确答案。
为什么搜不到？
用户问：「传送带跑偏了怎么调？」
知识库写：「传送带跑偏调整方法：1)调节张紧装置…」
Embedding 模型觉得这两句话不太像 → 向量距离远 → 检索失败。
Embedding 模型理解「语义」，但它不完全懂中文口语和专业术语的细微差异。这是所有 Embedding 的共性问题——尤其在使用多语言通用模型时。
方案：向量 + 关键词双路召回
Dense（向量检索）擅长语义匹配——「温度高」能匹配「发热异常」。
Sparse（关键词检索）擅长精确匹配——「传送带」必须命中「传送带」。
两者互补。这就是混合检索（Hybrid Search）。
步骤 1：加 BM25 稀疏检索
BM25 是经典的 TF-IDF 变体，核心逻辑是「词在少数文档中出现频率高 = 该文档和这个词相关」。
我在Bm25Retriever中实现了一个简化版：
Bm25Retriever bm25 = new Bm25Retriever(); bm25.index(documents); // 用户问 "传送带跑偏" List<ScoredDoc> results = bm25.search("传送带跑偏怎么调", 10); // → 能精确匹配到包含「传送带」和「调」的文档步骤 2：RRF 融合
两路检索结果怎么合并？我用了RRF（Reciprocal Rank Fusion）——一种简单但有效的融合算法：
RRF_score(d) = sum over rankings: 1 / (k + rank(d))
k = 60（经典取值）
每个文档在两个排行榜中的排名越靠前，RRF 分数越高。
RrfFusion fusion = new RrfFusion(); List<String> fused = fusion.fuse(denseResults, sparseResults, 5);步骤 3：LLM 重排序
拿到融合后的 Top-5 候选，再用 LLM 精排——这是最后一公里。虽然这次编码里没上专门的 Cross-Encoder，但原理一样：候选文档 + 用户问题 → LLM 判断相关性 → 选 Top-3。
实验数据：三种策略对比
我在 10 条测试查询上跑了三种策略：
| 策略 | 命中率 | MRR |
|---|---|---|
| Dense Only（纯向量） | ~60% | 0.42 |
| BM25 Only（纯关键词） | ~70% | 0.48 |
| RRF Fused（混合检索） | ~90% | 0.68 |
Dense Only 输在哪？「传感器信号漂移」这条，Embedding 模型没理解「漂移」=「零点漂移」，搜到了不相关的电气故障文档。
BM25 Only 输在哪？「CNC 主轴异响」这条，知识库里写的是「CNC主轴异响」，BM25 对「异响」和「异常噪音」这种同义词完全没辙。
RRF Fused 为什么赢？两种检索互补——向量错了的，关键词能兜底；关键词漏了的，向量能补上。
代码：在 Agent 中启用混合检索
我把整个混合检索管线封装成了带评估的端到端实验：
# 1. 摄入知识库 curl -X POST http://localhost:8080/api/rag/ingest/500 # 2. 运行评估（Dense vs BM25 vs Fused） curl -X POST http://localhost:8080/api/rag/evaluate # 返回： # { # "DENSE_hitRate": "60.0%", "DENSE_MRR": "0.420", # "BM25_hitRate": "70.0%", "BM25_MRR": "0.480", # "FUSED_hitRate": "90.0%", "FUSED_MRR": "0.680" # }什么时候需要混合检索？
| 场景 | 推荐策略 |
|---|---|
| 知识库 < 100 条，查询单一 | 纯 Dense 就够了 |
| 包含专业术语/编号（如 CNC-001） | 加 BM25 |
| 用户用口语提问 | 加 BM25+ Query Rewriting |
| 多语言混用 | 纯 Dense（BM25 分语言要调分词器） |
判断标准很简单：跑 10 条测试查询看命中率。如果 Dense Only 低于 70%，加 BM25。加了之后还低于 80%，加 Query Rewriting。
一句话总结
向量检索懂语义但不懂关键词，BM25 懂关键词但不懂语义。RRF 融合让两个互相兜底，90% 命中率是混合检索的基本盘。剩下的 10%，靠 Query Rewriting 和更精准的分块。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～