RRF
一种多路检索结果融合算法，将不同检索系统返回的结果按排名倒数加权求和，无需分数归一化，实现简单、鲁棒性强，常用于混合检索的结果融合。
核心事实
时间轴 (近 90 天)
RRF仅使用排名而非原始分数，规避了稠密向量与稀疏BM25之间量纲不可比的问题。
RRF融合公式为score += weight / (k + rank + 1)，k_constant取60，稠密权重0.7，稀疏权重0.3。
检索管道采用四阶段流水线：并行稠密+稀疏检索、RRF融合、交叉编码器重排、最终筛选。
混合检索的四阶段流程为：第一阶段并行稠密检索和稀疏检索；第二阶段用RRF融合，k_constant默认60，稠密权重0.7，稀疏权重0.3；第三阶段用Cross-Encoder重排序（推荐ms-marco-MiniLM-L-6-v2）；第四阶段截取Top-K，默认k=5，fetch_k=20。
RRF（倒数排名融合）是一种无需训练、无需归一化的多路检索结果融合算法，公式为score = Σ weight_r / (k + rank_r(d))，k通常取60，被Elasticsearch和Weaviate等系统采纳为默认融合策略。
对大多数企业文件场景，静态 RRF 已足够稳健，是入手混合检索的最低成本起点
倒数排名融合（RRF）对每个文档将其在各路排名列表中的倒数排名加平滑常数k（通常取60）求和作为最终得分
RRF 的核心公式为 RRF_score(d) = Σ 1 / (k + rank_i(d))，其中 k 是平滑常数常取 60
RRF（倒数排名融合）将两路检索结果按排名倒数加权求和，无需对分数做归一化，实现简单且鲁棒性强
当知识库数量较少时，RRF等融合方法运转良好，但当知识库增长到10个以上时默认融合策略会失效
还有 2 条时间轴事件
全部知识事实 (17)
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RRF不需要对不同检索器的原始分数进行归一化，只依赖排名信息，但当多个检索器在同类查询上系统性犯错时RRF只会放大错误
65%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Reciprocal Rank Fusion（RRF）算法由Cormack等人于2009年提出，其核心公式为Score = Σ 1/(k + rank_i)，其中k通常取60作为平滑常数
65%待验证RRF对各路检索的原始分数分布不敏感，相比简单的线性加权在混合检索场景中更加鲁棒
85%待验证RRF仅使用排名而非原始分数，规避了稠密向量与稀疏BM25之间量纲不可比的问题。
50%待验证检索管道采用四阶段流水线：并行稠密+稀疏检索、RRF融合、交叉编码器重排、最终筛选。
50%待验证RRF融合公式为score += weight / (k + rank + 1)，k_constant取60，稠密权重0.7，稀疏权重0.3。
50%待验证RRF（倒数排名融合）是一种无需训练、无需归一化的多路检索结果融合算法，公式为score = Σ weight_r / (k + rank_r(d))，k通常取60，被Elasticsearch和Weaviate等系统采纳为默认融合策略。
50%待验证混合检索的四阶段流程为：第一阶段并行稠密检索和稀疏检索；第二阶段用RRF融合，k_constant默认60，稠密权重0.7，稀疏权重0.3；第三阶段用Cross-Encoder重排序（推荐ms-marco-MiniLM-L-6-v2）；第四阶段截取Top-K，默认k=5，fetch_k=20。
50%待验证对大多数企业文件场景，静态 RRF 已足够稳健，是入手混合检索的最低成本起点
50%待验证倒数排名融合（RRF）对每个文档将其在各路排名列表中的倒数排名加平滑常数k（通常取60）求和作为最终得分
50%待验证RRF 的核心公式为 RRF_score(d) = Σ 1 / (k + rank_i(d))，其中 k 是平滑常数常取 60
50%待验证RRF（倒数排名融合）将两路检索结果按排名倒数加权求和，无需对分数做归一化，实现简单且鲁棒性强
50%待验证当知识库数量较少时，RRF等融合方法运转良好，但当知识库增长到10个以上时默认融合策略会失效
50%