

**Reciprocal Rank Fusion (RRF)** 是一种将多个搜索结果列表（比如 ES 的全文检索列表和向量搜索列表）合并成一个统一排名列表的算法。它的核心思想非常朴素且强大：**一个文档在不同列表中排名越靠前，它的最终得分就越高。**

它的优势在于不需要对不同查询的得分（Score）进行归一化（比如全文检索分可能是 100，向量检索分是 0.9），直接根据“排名”来计算。


---

## 一、RRF是什么
### 1. RRF 的数学公式

对于每一个文档 $d$，其 RRF 得分的计算公式为：

RRFscore(d∈D)=∑r∈R1k+r(d)

- $R$: 所有的排名列表集合（比如全文检索结果集和向量检索结果集）。
    
- $r(d)$: 文档 $d$ 在列表 $r$ 中的排名（从 1 开始）。
    
- $k$: 一个常数（平滑参数），通常默认为 **60**。它的作用是减轻低排名文档对总分的影响，防止排名太靠后的文档通过“凑数”挤到前面。
    

---

### 2. 具体计算示例

假设用户搜“入职流程”，我们得到两个列表：

- **列表 A（全文检索）**: [文档1, 文档2, 文档3]
    
- **列表 B（向量检索）**: [文档2, 文档1, 文档4]
    

取 $k = 60$，计算得分：

- **文档1**: $\frac{1}{60+1} (A) + \frac{1}{60+2} (B) \approx 0.01639 + 0.01612 = 0.03251$
    
- **文档2**: $\frac{1}{60+2} (A) + \frac{1}{60+1} (B) \approx 0.01612 + 0.01639 = 0.03251$
    
- **文档3**: $\frac{1}{60+3} (A) + 0 (B) \approx 0.01587$
    
- **文档4**: $0 (A) + \frac{1}{60+3} (B) \approx 0.01587$
    

最终，文档1和文档2会排在最前面，因为它们在两个维度上都表现优秀。

---

### 3. 在 Elasticsearch 中如何开启？

在 ES 8.8+ 版本中，官方已经原生内置了 RRF，你不需要自己写 Python 逻辑去算分，直接在查询请求中配置 `rank` 参数即可。



```JSON
{
  "sub_searches": [
    {
      "query": { "match": { "content": "入职流程" } }  // 1. 全文检索
    },
    {
      "knn": {                                        // 2. 向量检索
        "field": "content_vector",
        "query_vector": [0.1, 0.2, ...],
        "k": 10,
        "num_candidates": 100
      }
    }
  ],
  "rank": {
    "rrf": {                                          // 3. 开启 RRF 合并
      "window_size": 50,                              // 参与排序的前 N 个文档
      "rank_constant": 60                             // 公式中的 k 值
    }
  }
}
```

---

### 4. 为什么要用 RRF？（对大模型处理的好处）

在 RAG 系统中，如果你只给大模型看前 3 条资料，这 3 条资料的质量决定了回答的上限。

- **互补性**：全文检索负责抓取“专有名词”（如：工号、政策编号），向量检索负责抓取“语义意图”（如：怎么请假）。
    
- **稳定性**：RRF 不需要像 `Linear Combination`（线性加权，如 $0.7 \times \text{text} + 0.3 \times \text{vector}$）那样手动调权重，它在大多数业务场景下表现非常稳健。
    

### 5. 纯 Python 实现逻辑

如果你的 ES 版本较低，不支持原生的 `rank` 参数，你可以手动用 Python 处理：


```Python
def rrf_merge(results_list, k=60):
    rrf_scores = {}
    for results in results_list:
        for rank, doc_id in enumerate(results, start=1):
            if doc_id not in rrf_scores:
                rrf_scores[doc_id] = 0
            rrf_scores[doc_id] += 1 / (k + rank)
    
    # 按得分从高到低排序
    sorted_docs = sorted(rrf_scores.items(), key=lambda x: x[1], reverse=True)
    return sorted_docs
```

---

## 二、以ES 为例怎么实现不同模式查询

### 1. 搜索“一句话”：使用 Full-text Queries

如果你直接把用户的一句提问（比如：“如何办理入职手续？”）传给 ES，你应该使用 `match` 查询。

- **工作原理**：ES 会先把这一句话进行“分词”（Tokenization）。比如把“如何办理入职手续”拆成“如何”、“办理”、“入职”、“手续”。
    
- **召回逻辑**：它会去索引里找包含这些词的文档。即便文档里写的是“入职流程办理”，只要关键词重合度高，它就能被检索出来。
    
- **适用场景**：标准的 RAG 场景，用户提问通常就是一句话。
    

```Python
// 示例：全文检索一句话
{
  "query": {
    "match": {
      "content": "如何办理入职手续？"
    }
  }
}
```

### 2. 搜索“关键词/精确值”：使用 Term-level Queries

如果你只想查某个特定的 ID、标签或者状态（比如：`status: "active"`），通常使用 `term` 查询。

- **工作原理**：它不会对你的输入进行分词，而是拿着你输入的字符串去匹配索引里**一模一样**的内容。
    
- **局限性**：如果你用 `term` 去搜一句话，大概率什么也搜不到，因为它在找一整句完全一致的索引项（而索引通常是按词拆分的）。
    

### 3. 如何让“一句话”搜得更准？

既然你是为了给大模型（LLM）提供上下文，以下三种进阶搜索方式更符合你的需求：

|**查询方式**|**适合的输入**|**特点**|
|---|---|---|
|**`match`**|一句话|只要词对上了就行，顺序乱了也没关系。|
|**`match_phrase`**|短语/整句|不仅要求词对上，还要求**顺序**也得一致（比如搜“年假规定”，不会搜出“规定年假”）。|
|**`ELSER` (语义搜索)**|模糊的提问|ES 8.x 推出的模型，支持**语义理解**。即使你搜“怎么休假”，也能搜到包含“请假制度”的文档，即便字面上没有重复的词。|

### 4. 给大模型处理时的建议

由于大模型对上下文的**质量**很敏感，建议你在 ES 检索时：

1. **开启高亮或截断**：不要直接把万字长文丢给模型，利用 ES 的 `highlight` 找到最相关的片段。
    
2. **混合检索（Hybrid Search）**：
    
    - 用 `match` 保证关键词没漏（比如具体的专有名词、工号）。
        
    - 用 `knn`（向量搜索）保证语义理解没偏。
        
    - 通过 RRF（倒数排名融合）合并结果，给模型最精准的那几段话。

---
## 三、代码实现

在代码层面实现 ES 检索并对接大模型，通常有两种主流方式：一种是使用 **Elasticsearch 官方 Python SDK**（适合底层控制），另一种是使用 **LangChain/LlamaIndex**（适合快速搭建 RAG 流程）。

以下是几种核心查询方式的具体实现逻辑：

### 1. 使用官方 SDK 实现三种查询

在 Python 中，我们通常构建一个 `query` 字典发送给 ES 接口。


```Python
from elasticsearch import Elasticsearch

# 连接 ES 
es = Elasticsearch("http://localhost:9200")
index_name = "knowledge_base"

def search_es(user_input, query_type="match"):
    if query_type == "match":
        # 1. 全文检索：自动分词，匹配度越高排名越靠前
        query = {
            "match": { "content": user_input }
        }
    elif query_type == "match_phrase":
        # 2. 短语匹配：要求词序一致，适合搜具体的规定名称
        query = {
            "match_phrase": { "content": user_input }
        }
    elif query_type == "bool":
        # 3. 组合查询（最常用）：既要满足关键词，又要满足过滤条件
        query = {
            "bool": {
                "must": [{"match": {"content": user_input}}],
                "filter": [{"term": {"status": "published"}}]
            }
        }
    
    response = es.search(index=index_name, query=query, size=3)
    # 提取查询结果给大模型做上下文
    return [hit['_source']['content'] for hit in response['hits']['hits']]
```

## 2. 向量检索（Vector Search）的实现

如果你想支持“语义相似”而不只是“字面匹配”，需要先将“一句话”转化成向量。


```Python
# 假设你已经有了向量模型模型（如 OpenAI 或 HuggingFace）
user_vector = embedding_model.encode("怎么申请带薪假？")

query = {
    "knn": {
        "field": "content_vector",      # 预先在 ES 中存好的向量字段
        "query_vector": user_vector,
        "k": 3,
        "num_candidates": 100
    }
}
res = es.search(index=index_name, knn=query)
```

## 3. 对接大模型（LLM）的完整闭环

这是 RAG 最关键的一步：将 ES 拿回来的数据“塞”进 Prompt。


```Python
def generate_answer(user_question):
    # 第一步：ES 检索
    context_list = search_es(user_question, query_type="match")
    context_text = "\n".join(context_list)
    
    # 第二步：构建 Prompt
    prompt = f"""
    你是一个助手，请根据以下参考资料回答用户的问题。
    如果资料中没有提到，请说不知道。
    
    参考资料：
    {context_text}
    
    用户问题：{user_question}
    """
    
    # 第三步：调用大模型（以 OpenAI 接口为例）
    # response = llm.chat(prompt) 
    return f"已根据 {len(context_list)} 条背景资料生成回答"
```

## 4. 为什么现在流行“混合检索” (Hybrid Search)？

在实际业务中，你会发现：

- **全文检索**搜“工号 12345”很准，但搜“心情不好想请假”很差。
    
- **向量检索**搜“情绪”很准，但搜“工号”经常乱匹配。

Reciprocal Rank Fusion (RRF) 是一种将多个搜索结果列表（比如 ES 的全文检索列表和向量搜索列表）合并成一个统一排名列表的算法。它的核心思想非常朴素且强大：一个文档在不同列表中排名越靠前，它的最终得分就越高。

大模型 RAG 中 RRF（Reciprocal Rank Fusion倒数排序融合）是什么

人工智能

大数据

算法

ReciprocalRankFusion(RRF)是一种高效融合多维度搜索结果的算法，通过排名而非得分进行结果合并，适用于全文检索与向量搜索的混合场景。算法基于文档排名计算得分，无需归一化处理，Elasticsearch 8.8+原生支持RRF配置。该技术显著提升RAG系统效果，确保大模型获得高质量上下文，实现关键词与语义搜索的优势互补。

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

ReciprocalRankFusion(RRF)是一种高效融合多维度搜索结果的算法，通过排名而非得分进行结果合并，适用于全文检索与向量搜索的混合场景。算法基于文档排名计算得分，无需归一化处理，Elasticsearch 8.8+原生支持RRF配置。该技术显著提升RAG系统效果，确保大模型获得高质量上下文，实现关键词与...

大模型 RAG 中 RRF（Reciprocal Rank Fusion倒数排序融合）是什么-腾讯云开发者社区-腾讯云

大模型 RAG 中 RRF（Reciprocal Rank Fusion倒数排序融合）是什么

大模型 RAG 中 RRF（Reciprocal Rank Fusion倒数排序融合）是什么

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐