72.人工智能实战：RAG 多路召回怎么做？从单一向量检索召回不足到 BM25、向量、标签与重排融合

人工智能实战：RAG 多路召回怎么做？从单一向量检索召回不足到 BM25、向量、标签与重排融合

一、问题场景：向量检索很智能，但就是找不到关键文档

很多 RAG 系统最开始只用向量检索：

query → embedding → vector search → top_k docs

这个方案简单、通用，语义效果也不错。

但上线后会发现，有些问题向量检索并不稳定。

尤其是：

1. 专有名词 2. 编号 3. 制度条款 4. 产品型号 5. 人名 6. 缩写 7. 精确字段

例如用户问：

SOP-2026-IT-017 的发布审批流程是什么？

向量检索可能召回“发布流程概述”，但漏掉真正的：

SOP-2026-IT-017

再比如用户问：

销售客户拜访二线城市住宿费是多少？

向量检索可能召回“普通差旅制度”，因为语义上也很接近。

这类问题说明：