混合检索实战：BM25 + 向量检索怎么融合才有效

纯向量检索有个尴尬场景：用户搜"MySQL 报错 1215"，向量检索可能把它理解成"数据库错误处理"给你一堆无关内容，而 BM25 这种关键词匹配反而能精确命中。混合检索就是把两者结合。

为什么要混合：向量检索擅长"语义相近"，比如"怎么让程序跑得更快"和"性能优化技巧"能匹配上；但"精确术语"场景（错误码、型号、人名）它反而匹配不好。BM25 恰好相反。两者互补。

两种融合方式：

1. 加权融合。分别得到两个检索结果的得分，按权重合并排序：

问题是两个分数量纲不同，向量是余弦相似度（0-1），BM25 是相关性分（几到几十），直接加权等于向量那部分被淹没。需要先各自归一化。

2. RRF（Reciprocal Rank Fusion）。不关心分数，只用排名：

两个结果集合并，每个文档按它在两个列表里的排名算分，排名越靠前分越高。这个方案不用归一化，实测最稳。

我的实现：用 Qdrant 的 query API，同时传 vector 和 bm25 参数（Qdrant 内置了 BM25 支持），或者分别查再 RRF 合并。

实测数据：在 2000 篇技术文档的测试集上，纯向量 Recall@5 是 0.71，纯 BM25 是 0.63，RRF 混合到了 0.85。提升非常明显。

坑：

1. BM25 对中文分词敏感。Qdrant 内置的 tokenizer 对中文按字切分，效果一般。中文场景最好自己预分词（jieba）后再建索引。

2. 混合不等于万能。如果文档本身质量差、内容杂，混合后召回的只是"更差的两个里挑好的"，还是不如先把数据清理好。

3. 查询改写。混合检索之后再做一轮 rerank（重排），效果还能再上一个台阶，下一篇文章讲。