混合检索
混合检索（Hybrid Search）是一种将关键词检索（如BM25等稀疏检索）与向量检索（稠密语义检索）相结合的信息检索技术方案。通过融合两种检索方式的结果并进行重新排序，能够同时兼顾精确词语匹配与语义相似度匹配的优势，弥补单一检索方式在召回率或语义理解上的不足，广泛应用于搜索引擎、问答系统及检索增强生成（RAG）等场景。
核心事实
时间轴 (近 90 天)
生产级RAG检索应采用混合搜索，即稠密向量加稀疏向量加重排，而非纯向量检索。
混合检索优于纯关键词或纯向量方案：关键词擅长精确匹配，向量擅长模糊召回，融合后召回率和精确率更稳
记忆检索应叠加时间衰减、重要性加权和混合检索，而非仅依靠向量相似度
混合检索（Hybrid Search）、重排序（Re-ranking）、多路召回是RAG的进阶技术
NemoClaw的检索系统采用混合策略，结合关键词匹配和语义相似度搜索
raggy采用混合数据库设计，同时使用向量检索与BM25关键词检索两种检索机制
单纯依赖向量相似度检索召回往往不精准，需要结合关键词检索的混合检索方案
多路召回（Hybrid Search）融合稠密向量检索与稀疏BM25检索的结果
向量相似度与关键词BM25的混合检索能显著提升召回准确率
混合检索通过BM25关键词得分与向量相似度得分加权融合（通常采用RRF倒数排名融合算法），已成为RAG系统的主流范式
还有 1 条时间轴事件
全部知识事实 (20)
混合检索（Hybrid Search）将向量检索与BM25关键词检索的结果通过RRF（倒数排名融合）等算法合并，兼顾语义理解与精确匹配
90%已验证混合检索通常通过RRF（倒数排名融合，Reciprocal Rank Fusion）算法将两路检索结果加权合并
80%已验证混合检索（将稠密向量检索与BM25稀疏检索结合）比单一方法在大多数基准上表现更好
75%已验证混合检索（Hybrid Search）融合稠密检索（Dense Retrieval）与稀疏检索（BM25）
75%已验证混合检索通过BM25关键词得分与向量相似度得分加权融合（通常采用RRF倒数排名融合算法），已成为RAG系统的主流范式
65%已验证混合检索结合BM25稀疏检索与向量稠密检索，通过RRF或线性加权合并排名结果
65%已验证在多个真实业务场景中，混合检索相比单一检索方式可将召回准确率提升15%至30%
65%待验证向量相似度与关键词BM25的混合检索能显著提升召回准确率
70%待验证成熟的大厂RAG项目统一采用混合检索架构，不会单独使用向量检索
70%部分验证RAG系统的召回主要有两种方式：向量相似度计算和关键词匹配
65%待验证多路召回（Hybrid Search）融合稠密向量检索与稀疏BM25检索的结果
60%待验证实际生产中通常会结合向量相似度和关键词匹配两种方式进行混合检索
60%待验证生产级RAG检索应采用混合搜索，即稠密向量加稀疏向量加重排，而非纯向量检索。
50%待验证混合检索优于纯关键词或纯向量方案：关键词擅长精确匹配，向量擅长模糊召回，融合后召回率和精确率更稳
50%待验证记忆检索应叠加时间衰减、重要性加权和混合检索，而非仅依靠向量相似度
50%待验证混合检索（Hybrid Search）、重排序（Re-ranking）、多路召回是RAG的进阶技术
50%待验证NemoClaw的检索系统采用混合策略，结合关键词匹配和语义相似度搜索
50%待验证raggy采用混合数据库设计，同时使用向量检索与BM25关键词检索两种检索机制
50%待验证单纯依赖向量相似度检索召回往往不精准，需要结合关键词检索的混合检索方案
50%待验证高质量harness通常采用混合检索策略，将语义相似度与符号精确匹配结合，再通过重排序模型对候选片段打分
50%