RRF、DBSF、加权融合与Cross-Encoder重排怎么选？RAG排序策略指南

文章摘要

企业RAG从单一向量检索升级到混合检索后，通常需要解决“多路结果如何合并”和“候选文档如何再次排序”两个问题。RRF、DBSF、加权融合和Cross-Encoder经常被放在一起比较，但它们解决的层次并不完全相同。本文从输入、计算成本、是否依赖分数标定、可解释性和适用场景出发，给出一套可执行的选型方法。

一、先区分融合与重排

典型混合检索：

用户问题 ├─ BM25或稀疏检索 ├─ Dense向量检索 └─ 业务规则检索 ↓ 候选集合 ↓ 融合 ↓ 重排 ↓ Top N上下文

其中：

融合

解决：

多路检索结果如何合并

常见方法：

• RRF；
• DBSF；
• WeightedRanker；
• 归一化后加权。

重排

解决：

候选文档与当前问题到底谁更相关

常见方法：

• Cross-Encoder；
• ColBERT或Late Interaction；
• 大模型评分；
• 业务规则重排。

因此，RRF和Cross-Encoder通常不是二选一，而可以串联：

Dense＋Sparse → RRF融合Top100 → Cross-Encoder重排Top20 → 最终Top5

二、RRF：最安全的默认方案

RRF全称Reciprocal Rank Fusion。

它主要使用文档在各路结果中的排名，而不是直接使用原始分数。

简化公式：

score(d) = Σ 1 / (k + rank(d))

假设文档A：

BM25排名第1 Dense排名第4

文档B：

BM25排名第8 Dense排名第1

RRF会根据两路排名综合计算，而不要求：

BM25分数 和 余弦相似度

处于同一量纲。

优点

• 不依赖原始分数可比；
• 对不同检索器比较稳定；
• 参数少；
• 容易上线；
• 没有评测集时也能使用；
• 对异常高分不敏感。

缺点

• 丢失原始分数差异；
• 无法表达某一路检索更重要；
• 排名变化一位与分数巨大变化可能被同等处理；
• 业务定制能力有限。

适合

没有成熟评测集 Dense与Spar