RAG 中如何组合 BM25 与向量检索？

面试时怎么答

先说两路检索各自擅长什么：BM25 对专有名词、编号和精确词匹配强，稠密向量更能覆盖同义改写和语义相关。组合时讲候选并集与分数融合，RRF 是不同分数尺度下的稳健起点。

若被问权重怎么调，不要给固定比例。按查询类型分桶，在标注集上调融合和候选数；还可补一句重排模型负责最后的联合判断。

可以这样答：

混合检索把稀疏与稠密召回互补起来：BM25 擅长产品编号、姓名和关键词精确匹配，向量检索更擅长同义表达和语义相关。两路先各取候选，再做并集、RRF 或归一化加权，之后可交给 Cross-Encoder 重排。权重没有通用值，应按查询类型和真实标注集调参，并比较 Recall、MRR、最终答案正确率以及增加的尾延迟。

核心回答

混合检索通常并行执行 BM25 和向量查询，再融合两路候选。BM25 补足编号、罕见实体和精确词匹配，向量检索补足同义表达和语义改写。由于两路原始分数的量纲和范围不同，不能直接相加；常用 Reciprocal Rank Fusion 按名次融合，或在验证集上做分数归一化和学习权重。

展开说明

RRF 对文档 d 的典型打分是：

\[\operatorname{score}(d) = \sum_i \frac{1}{c + \operatorname{rank}_i(d)}\]

其中 rank_i(d) 是文档在第 i 路结果中的名次，c 是降低头部名次过度支配的常数。RRF 不依赖两路原始分数可比，因此实现稳健；但它也会丢掉原分数差距信息。

设计时还要确定：

每一路取多少候选，候选太少会在融合前丢失证据。
元数据和权限过滤是否在两路一致生效。
是否对某类查询提高关键词路或向量路权重。
融合之后是否再用 Cross-Encoder 做精排。

混合检索并非必然优于单路检索；如果语料和查询高度同质，额外一路可能只增加噪声和延迟。

工程实践

保留 BM25-only、Dense-only 和 Hybrid 三个可回放基线，按编号查询、实体查询、语义改写等切片比较 Recall@K 与 nDCG。记录每个最终候选来自哪一路和原始名次，便于发现某一路候选深度不足、过滤不一致或融合权重失衡。

常见追问

为什么 BM25 分数与余弦相似度不能直接相加？ 两者取值范围、分布和查询间可比性不同，直接相加会让某一路因尺度而主导；应先校准或使用基于名次的融合。
RRF 中的常数与向量检索 Top-K 是一回事吗？ 不是。RRF 常数控制高名次结果的优势程度，Top-K 决定每一路提供多少候选，二者作用不同。
混合检索后为什么还可能需要 Reranker？ 融合只组合两路的粗排信号，Cross-Encoder 能联合理解查询和候选的细粒度关系，进一步清理“相关但不可回答”的文档。

一句话复习

Hybrid Search 用关键词的精确性补向量的语义泛化，并通过可解释的融合策略合并候选。

参考资料

面经主题：公开 Agent 面经中的混合检索与 Rerank 追问
技术依据：Reciprocal Rank Fusion 原论文、Azure AI Search 的 RRF 说明