稀疏检索和稠密向量检索有什么区别？

面试时怎么答

用“词面匹配”和“语义匹配”对照最自然。稀疏检索保留词项维度，BM25 对精确名词和编号稳健、可解释；稠密检索把文本映射到连续向量，能找同义表达，但依赖训练域且可能漏掉关键字面条件。

被问生产选型时，不要强行二选一。说明混合召回通常更稳，再按查询类型、语料语言和延迟预算决定权重。

可以这样答：

稀疏检索以词项匹配为核心，BM25 对产品编号、专有名词和关键词约束很敏感，索引可解释且容易更新；稠密检索使用语义向量，能覆盖同义改写和没有共同词的相关文本，但效果受 Embedding 训练域影响。两者错误往往互补，所以实际常做双路召回再融合重排。选型应按查询类型比较 Recall、排序质量、索引成本和尾延迟。

核心回答

BM25 等稀疏检索依赖词项匹配，擅长产品编号、人名、缩写和罕见关键词；稠密检索把查询与文档编码成向量，擅长找到措辞不同但语义相近的内容。稀疏检索不需要训练领域向量模型且结果较容易解释，稠密检索能跨越字面差异但受 Embedding 模型、领域分布和近似索引影响。两者不存在无条件的优胜者。

展开说明

稀疏检索：利用倒排索引。BM25 综合词频、逆文档频率和文档长度归一化计算相关度，精确词项对结果影响明显。
稠密检索：双编码器分别编码 Query 和 Passage，再按点积、余弦相似度或其他与训练方式匹配的度量搜索近邻。
典型失败：BM25 可能漏掉同义改写；向量检索可能把主题相似但不能回答问题的片段排得很高，并遗漏编号或拼写敏感实体。

向量相似度不是事实正确率，也不能直接与 BM25 原始分数比较。是否归一化向量、使用何种距离，应与 Embedding 模型说明和索引配置保持一致。

工程实践

分别建立 BM25-only 与 Dense-only 基线，按实体查询、自然语言改写、长问题和领域术语切片评估。记录每路候选及命中原因，再决定使用查询路由还是混合检索；不要因为平均分提升就删除在关键 SKU、法规编号等场景更可靠的关键词通道。

常见追问

为什么向量相似度高不代表文档能回答问题？ 相似度可能只反映主题接近，文档仍缺少问题要求的实体、时间或因果证据；检索还需可回答性和来源约束。
BM25 为什么适合专有名词和编号查询？ 稀有词的 IDF 权重大，精确词项匹配不会被语义编码平滑掉，因此错误码、产品号和人名常更容易命中。
点积与余弦相似度在归一化后是什么关系？ 若查询和文档向量都做 L2 归一化，点积就等于余弦相似度；未归一化时点积还受模长影响。

一句话复习

稀疏检索保留字面精确性，稠密检索提供语义泛化，选择取决于查询和语料分布。

参考资料

面经主题：Datawhale 公开 RAG 面试题整理
技术依据：Dense Passage Retrieval、BEIR 检索基准