一句话总结：Hybrid Search（混合检索）= 向量检索（语义相似）+ BM25 关键词检索（精确匹配），通过加权融合解决纯向量检索对专业术语、产品型号、法规编号召回不足的问题。
为什么纯向量检索不够用？
向量检索擅长语义理解（「年假怎么算」≈「带薪休假天数规则」），但在以下场景表现差：
- 精确术语匹配（产品型号
XJ-2000Pro） - 法规编号（「民法典第 577 条」）
- 英文缩写（
API、SLA、GDPR） - 数字与日期（「2024Q3 财报」）
BM25 关键词检索恰好弥补这些短板。
融合公式
最终分数 = α × 向量相似度 + (1-α) × BM25 归一化分数- α = 0.5~0.7：通用企业知识库（泽衍科技默认 α=0.6）
- α = 0.3~0.5：法规、产品手册等精确匹配场景
- α = 0.7~0.9：口语化 FAQ、培训材料
完整检索流水线
用户 Query
↓ Query Rewrite（口语 → 标准检索词）
Hybrid Search（向量 Top-20 + BM25 Top-20 → 合并去重）
↓ Cross-Encoder Reranker
Top-5 文档片段 → LLM 生成答案实测效果（泽衍科技客户案例）
| 场景 | 纯向量 Top-5 准确率 | Hybrid + Reranker |
|---|---|---|
| 制造业产品手册 | 58% | 91% |
| 金融合规文档 | 51% | 88% |
| 通用 HR 制度 | 72% | 94% |
常见问题
Hybrid Search 会增加延迟吗？ BM25 检索通常在 10~50ms，整体延迟增加可忽略。瓶颈在 Reranker（200~500ms）和 LLM 生成。
需要额外部署 Elasticsearch 吗？ 不一定。pgvector + pg_bm25、Qdrant 内置 sparse vector、Milvus 2.4+ 均支持混合检索，可简化架构。
α 值如何确定？ 建议准备 50~100 条标注 query，A/B 测试 α 从 0.3 到 0.9，选准确率最高的值。