Hybrid Search深度解析：向量+关键词混合检索，为什么是RAG的标配？

纯向量搜索的盲区：你搜"iPhone 16"，它返回了"iPhone 15 Pro Max"

向量搜索擅长语义匹配，但精确匹配是它的盲区。用户搜"iPhone 16"，向量搜索可能返回"iPhone 15 Pro Max"、“Samsung Galaxy S25”、“智能手机推荐”——这些都是语义相关的，但用户要的是精确的"iPhone 16"。

这就是为什么Hybrid Search（混合检索）是2026年RAG系统的标配。它结合了向量搜索的"语义理解"和关键词搜索的"精确匹配"。

三种检索方式的对比

金句：向量搜索擅长"理解意思"，关键词搜索擅长"匹配字面"。两者结合，才能覆盖所有查询类型。

融合算法：RRF vs 加权求和

Hybrid Search的核心是"融合算法"——如何把向量搜索的结果和关键词搜索的结果合并成一个排序。

RRF（Reciprocal Rank Fusion）

最常用的融合算法。公式：score = sum(1 / (k + rank))，其中k是常数（通常为60）。

优点：不需要归一化分数，对排名差异不敏感，鲁棒性好。 缺点：丢失了原始相似度信息。

加权求和

score = w1 * vector_score + w2 * keyword_score

优点：可以调整权重，控制向量和关键词的重要性。 缺点：需要归一化两种分数的分布，对参数敏感。

实测对比（1000个查询，Recall@10）：

结论：RRF是最"安全"的选择——在各种查询类型上表现均衡。加权求和可以通过调整权重在"精确"和"语义"之间倾斜，但需要针对你的查询分布做调优。

金句：RRF是"默认最佳"，加权求和是"定制最优"。默认用RRF，有明确需求时用加权求和。**

关键词检索的后端：BM25 vs SPLADE

传统的Hybrid Search用BM25做关键词检索。但2026年，SPLADE（稀疏向量）正在成为更好的选择。

BM25：基于词频-逆文档频率的统计算法。快，但只能精确匹配。 SPLADE：用神经网络学习每个词的权重，生成稀疏向量。可以理解同义词和近义词。

实测（中文场景）：

结论：BM25适合"精确匹配为主"的场景（如电商搜索SKU），SPLADE适合"需要同义词匹配"的场景（如知识库问答）。

金句：BM25是"老而弥坚"，SPLADE是"新秀崛起"。2026年，SPLADE正在取代BM25成为Hybrid Search的关键词后端。

实现方案

Qdrant（原生支持）：

from qdrant_client import QdrantClient

client.search(
    collection_name="docs",
    query_vector=vector_embedding,  # 稠密向量
    query_filter=None,
    limit=10,
    with_payload=True,
    search_params={"hnsw_ef": 128, "exact": False},
    sparse_vector=sparse_embedding,  # 稀疏向量（BM25或SPLADE）
)

Milvus（需要配合BM25）：

# Milvus 2.4+ 支持 Sparse Vector
collection.insert([
    {"dense": dense_emb, "sparse": sparse_emb, "text": text}
])
collection.search(
    data=[[dense_query_emb]],
    anns_field="dense",
    sparse_vectors=[sparse_query_emb],
    limit=10
)

金句：Hybrid Search不是"可选功能"，而是"必备功能"。如果你的RAG系统还没有Hybrid Search，你正在丢掉20%的召回率。**