詳細解釋
結合多種檢索技術（如 BM25 關鍵詞匹配 + 向量語義檢索）的方法，各取所長，提升搜索準確率。
混合策略：
- 稠密 + 稀疏：向量（語義）+ BM25（精確匹配）
- 多向量表示：不同字段用不同編碼器
- 多階段：粗排（快速）+ 精排（準確）
- 多模態：文本 + 圖像 + 結構化數據
實現方式：
- 線性組合：score = α·bm25 + (1-α)·vector
- RRF（Reciprocal Rank Fusion）：排名位置融合
- 學習排序：訓練模型組合各特徵
- 級聯：先用 BM25 召回，再用向量重排
為何有效：
- BM25 優於：精確匹配、ID、專有名詞、稀有詞
- 向量優於：語義理解、同義詞、多語言
- 組合：兩者缺陷互補
應用場景：
- 企業搜索：文檔、郵件、代碼的混合搜索
- 電商：產品名（BM25）+ 描述（向量）
- 法律：法條編號（精確）+ 案情（語義）
- 客服：FAQ ID + 問題理解
工具支持：
- Elasticsearch：內置向量 + BM25 混合
- Pinecone + BM25：分開計算後融合
- Vespa：原生支持多種檢索器
- Milvus：支持稀疏向量
調優挑戰：
- 權重選擇：α 的最佳值因查詢而異
- 計算成本：兩種檢索都執行更貴
- 延遲：尤其當向量搜索慢時
這是「實用 RAG」的標配—— 單一方法總有局限，組合是王道。