- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据杂货铺
全文检索、向量检索和混合检索的比较分析
全文检索 全文搜索是指将部分或全部文本查询与数据库中存储的文档进行匹配。与传统的数据库查询相比，全文搜索即使在部分匹配的情况下也能提供结果。 混合搜索的案例 混合搜索结合了全文搜索和矢量搜索的优点。它建立在全文搜索的可访问性、即输入即搜索体验的基础上，并集成了人工智能搜索支持的增强发现功能。 Elasticsearch 用户越来越多地使用不同类型信息的搜索检索 — BM25 用于文本，向量搜索用于密集向量。 混合搜索技术通常会提供更好的结果：对多个 BIER 数据集进行基准测试显示，结合 BM25 和基于 ELSER 的排名时，相关性有所提高，现在用户甚至可以更轻松地组合所有这些检索方法。 混合搜索将全文搜索的可访问性与人工智能实现的改进发现相结合。 混合搜索是现代搜索方法，将最先进的搜索功能统一到单个 API 后面。
6.6K10编辑于 2024-04-24 - 来自专栏Elastic Stack专栏
改进 Elastic Stack 中的信息检索：混合检索
Elasticsearch ®还具有强大的词汇检索功能和丰富的工具来组合不同查询的结果。在本博客中，我们介绍了混合检索的概念，并探讨了 Elasticsearch 中可用的两种具体实现。 混合检索尽管现代训练管道产生了在零样本场景中具有良好性能的检索器模型，但众所周知，词汇检索器（例如 BM25）和语义检索器（例如 Elastic Learned Sparse Encoder）在某种程度上是互补的 我们进行了一些重叠测量，以检查弹性学习稀疏编码器、BM25 和各种密集检索器之间的这一假设，如表 1 所示。这为使用所谓的混合搜索提供了一些基本原理。接下来，我们研究混合搜索的两种显式实现。 然而，对于现代词汇语义混合检索来说，k 和 N 的最佳值是什么并不清楚。此外，我们想了解结果对这些参数的选择有多敏感，以及最优值是否可以在数据集和模型之间推广。 分数加权总和Elasticsearch 支持的另一种混合检索方法是使用线性函数组合 BM25 分数和模型分数。本文研究了这种方法，结果表明，在校准良好的情况下，它比倒数秩融合更有效。
3.8K31编辑于 2023-07-20 什么混合检索？在基于大模型的应用开发中，混合检索主要解决什么问题？
混合检索是一种结合了关键字检索（稀疏检索）和向量检索（稠密检索）两种技术优势的搜索策略。 在基于大模型的应用开发（尤其是RAG（检索增强生成）系统）中，混合检索主要为了解决大模型“没记住”或“查不准”的问题。 混合检索的作用：在向量还没“学会”行业黑话时，关键字检索作为兜底，强行把包含“CXL”和“MHD”的段落捞回来喂给大模型，保证基础的专业性。 结论：混合检索会将段落B排到最前面。这对于金融年报分析、法律条文引用、医疗药品剂量查询至关重要，能显著降低大模型编造数据的概率。 总结对比表维度纯向量检索纯关键字检索混合检索场景示例“如何提高工作效率？”
16010编辑于 2026-04-20- 来自专栏自然语言处理
LevelRAG：突破查询重写瓶颈，提升混合检索效果
主要问题包括： 查询重写的适用性 现有的查询重写技术大多只适用于密集检索器，导致在混合检索（结合稀疏检索、密集检索、网络搜索）中效果受限。 检索结果的完整性 & 准确性 混合检索可能会带来重复或矛盾的信息，影响最终答案质量。 稀疏检索器的优化问题 现有查询重写方法未能充分发挥稀疏检索器的优势，如何提高其检索精度仍是个难题。 （Chan et al. 2024） 混合检索（Hybrid Retrieval） 结合 BM25 和 密集检索 提高检索效果（Lu et al. 2022, Wang et al. 2023） 利用 完整性验证： LevelRAG 优于单一检索器 & 传统混合检索，确保了 检索完整性 & 准确性。 未来研究方向 尽管 LevelRAG 取得了显著的成果，但仍有一些值得进一步探索的方向： 1. 模型压缩、并行计算、缓存机制等优化手段 总结 LevelRAG 通过： 高级检索器的 逻辑规划 低级检索器的 多检索融合 稀疏检索器的 查询优化 优化了 RAG 在混合检索场景中的查询重写和检索逻辑
65010编辑于 2025-03-03 - 来自专栏大数据生态
「最佳实践」腾讯云 Elasticsearch 8.13.3 向量混合检索
// 混合多路检索GET dpcq_verctor_bbz768/_search{ "size": 2, "query": { "match": { "text_field": { knn_resp = knn_search(es, index, query) # 调用混合检索 mix_resp = mix_search(es, index, knn) # 检索效果测试我们模拟用户在商城搜索栏输入一个手机型号：小米 12 pro max ● 向量检索结果可能会召回不相关的内容 ● 而使用 ES 的混合检索，利用前置过滤，在提高效率的同时，可以大幅提升召回率 ● ES 也支持在在混合检索场景使用聚合查询 10. 总结从检索效果可以直观看出，使用纯向量检索，往往是达不到业务需求的。如果想提升召回率，则需要配合混合检索，不仅可以提前过滤一些不相关的内容，对性能也有一定提升。
1.4K76编辑于 2025-03-08 - 来自专栏有文化的技术人
RAG 检索全攻略：从原理到落地，一篇搞懂混合检索
❝做 RAG 系统，十个团队九个栽在检索上。本文把语义检索、关键词检索、混合检索、Rerank 重排序一次讲清楚。 ❞ 先说结论 ❝「生产级 RAG 必须用混合检索。 」"Golang 内存泄漏排查" 支持 部分支持 支持 只有混合检索在所有场景下都能覆盖。 需要精确匹配：产品型号、法律条款、医学术语 亿级数据，ES 分布式更成熟 需要布尔查询、短语匹配等高级功能 六、混合检索怎么实现？ 所以不用操心两路检索分数量纲不同的问题。 七、Rerank 重排序：从"差不多"到"真的准" 为什么还需要 Rerank？ 混合检索的第一阶段（召回）追求的是「快」和「全」，精度是有限的。 ，但真正做好需要理解： 「语义检索」理解"你想问什么"，但对精确术语无能为力 「关键词检索」擅长精确匹配，但对同义表述视而不见 「混合检索」是唯一的正确答案，关键在于选对技术路线 「Rerank」 是从
1.2K10编辑于 2026-04-16 - 来自专栏openclaw系列
向量检索实战 —— OpenClaw 如何实现混合搜索（向量 + 全文）
关键词：混合检索｜向量数据库｜SQLite FTS5｜ONNX 嵌入｜相似度归一化｜候选重排序 在上一篇中，我们了解了 OpenClaw 记忆系统的配置体系。 为此，OpenClaw 构建了一套轻量但强大的混合检索引擎（Hybrid Search Engine），巧妙结合向量语义搜索与全文关键词匹配，在资源受限的边缘设备（如个人服务器）上也能提供接近商业 RAG 一、为什么需要混合检索？ 单一策略的局限 混合检索的价值 高召回率（Recall）：关键词确保关键信息不丢失 高相关性（Relevance）：向量确保语义匹配 鲁棒性：任一子系统失效，另一仍可兜底 OpenClaw 默认采用 结语：混合检索是平衡的艺术 OpenClaw 的混合检索引擎，没有追求最前沿的 ANN 算法或最大规模的向量库，而是在实用性、性能与准确性之间找到最优解。
2K21编辑于 2026-03-14 - 来自专栏产品笔记
RAG智能问答系统为什么要使用混合检索？
检索增强生成简称RAG（Retrieval-augmented Generation），RAG为大语言模型安装了知识外挂，基础大语言模型不用训练，通过RAG技术与大语言模型结合在回答问题的时候，可以通过企业内部的知识库检索相关和最新的信息来生成内容 01 — 为什么要用混合检索？ 在RAG智能问答系统中，RAG检索环节中的检索的方式采用向量检索，即通过语义相关度匹配的方式进行检索。 在文本搜索场景，首先需要确保最相关的结果能够出现在检索的结果中。向量检索和关键词检索各有优势，而引入混合检索结合了两种搜索技术的优点，并且弥补了各自的缺点。 02 — 什么是混合检索？ 混合检索是结合了两种或者多种搜索算法提高搜索结果相关性的搜索技术。而在RAG系统中，混合搜索最常见指向量检索和关键词检索的组合。 不同的检索系统在寻找文本中各自擅长之间存在不同的联系，没有任何一种检索模式能够适用全部的情景，混合检索通过多个不同的检索系统组合，结合不同检索系统的优势，实现多个检索技术直接的互补。
85210编辑于 2024-03-06 - 来自专栏Java 学习
【全文检索_10】Filebeat 基本使用
：['.gz$'] 排除以 gz 结尾的文件 harvester_buffer_size 每个harvester的缓存大小,默认是16384 max_bytes 单个日志消息可以发送的最大字节，默认是10MB
2.4K10发布于 2021-03-02 - 来自专栏方才编程
ElasticSearch实战系列02：中文+拼音混合检索，并高亮显示
本文导读 本文仿照QQ的用户搜索，搭建一个中文+拼音的混合检索系统，并高亮显示检索字段。 【ps：留言区附完整版项目源码地址】 01 项目简介 本项目基于ElasticSearch 7.7.1，analysis-pinyin 7.7.1，参考QQ的用户搜索效果，完成一个中文+拼音的混合检索系统 中文+首字母+全拼检索 其实QQ的用户检索是有很多限制的，比如说首字母检索时，必须从第一个字开始匹配【输入“gz”，可以检索到“关注我”，但是不能检索到“我关注”】； 再比如说全拼+首字母检索时，全拼必须在前面 【输入“guanz”，可以检索到“关注我”，但是输入“gzhu”，是不能检索到结果的】； 至于为什么会有如此限制，个人猜测是考虑检索性能（PS：欢迎留言讨论）。 1.2 检索需求描述 参考QQ，列出“用户检索系统”的需求如下： 1）支持首字母检索； 2）支持首字母+全拼检索； 3）支持中文+首字母+全拼混合检索； 4）检索词有中文，则必须包含； 5）高亮显示检索命中词
5.4K20发布于 2020-11-13 - 来自专栏AI进修生
HybridRAG：混合 RAG 引擎 - 知识图谱 + 向量检索！比 GraphRAG 更好！
我们都听说过检索增强生成（RAG），许多人使用 RAG 因为它能够增强语言模型的功能，通过结合检索和生成处理来提高准确性，减少幻觉，并且更加经济高效。 通过集成基于向量和图形的检索方法，这将使框架能够以更高的精度和可靠性处理复杂数据。这使其成为传统 RAG 方法的重大进步。在这里，我想介绍一个已经实现这种混合 RAG 的框架——HybridRAG。 Vector RAG 和 GraphRAG 系统整合到一个新框架中的混合 RAG 将会提升不同 RAG 方法的能力。 通过在金融收益电话会议记录上的实验，HybridRAG 展示了其在信息检索和生成方面的优越性能。 为了解决这个问题，我们看到了混合 RAG，它结合了知识图谱和传统 RAG 技术来更好地进行信息提取。
3.7K02编辑于 2024-12-02 - 来自专栏红眼睛微型红外成像仪
VS10X混合信号采集仪
VS10X振弦采发仪是VS101单通道采集仪的升级替代，在保持原有尺寸和功能的基础上，从对振弦信号的单通道采发升级到可以实现最多4通道的振弦信号采集发送。 平均功耗：待机 5uA，无太阳能充电时 DC12V@10AH 电池可使用不低于半个月（每小时采发一次）。应用领域地质灾害监测，土木工程监测，自动化监测。
56320编辑于 2022-11-21 - 来自专栏大数据生态
「最佳实践」腾讯云 ES 8 向量化语义混合检索测试指南
knn_resp = knn_search(es, index, vectors) # 调用混合检索 mix_resp = mix_search(es, index, query {json_output}") counter += 1 counter = 1 with col2: st.write("### 混合检索结果 检索效果测试 我们模拟用户在商城搜索栏输入一个手机型号：小米 12 pro max ● 向量检索结果可能会召回不相关的内容 ● 而使用 ES 的混合检索，利用前置过滤，在提高效率的同时，可以大幅提升召回率 ● ES 也支持在在混合检索场景使用聚合查询 8. 总结 从检索效果可以直观看出，使用纯向量检索，往往是达不到业务需求的。如果想提升召回率，则需要配合混合检索，不仅可以提前过滤一些不相关的内容，对性能有一定提升。
1.4K4039编辑于 2024-04-11 - 来自专栏DeepHub IMBA
深入RAG架构：分块策略、混合检索与重排序的工程实现
最初的版本就是标准版：全量文档 embedding，向量检索，LLM生成。 光是这一步就解决了大约40%的检索故障。垃圾进垃圾出——chunk 质量上去了检索效果自然跟着上去。 Level 3：混合搜索 假设这样一个查询："What's our PTO policy for employees with 5+ years tenure?" Level 5：生产级RAG 前面几个级别都在提升检索质量。生产级RAG要处理的是另一件事：检索已经尽力了，但还是失败了，怎么办？ 因为它一定会失败，用户会问文档里根本没覆盖的问题。 真正该问的不是"怎么杜绝检索失败"，而是"检索失败的时候，系统该怎么表现"。 护栏 上下文不够的时候，别让LLM自己编。
42910编辑于 2026-02-27 - 来自专栏产品笔记
RAG智能问答系统为什么要使用混合检索？（完整版）
01 — 为什么要用混合检索？ 基于语义的向量检索 在RAG智能问答系统中，RAG检索环节中的检索的方式采用向量检索，即通过语义相关度匹配的方式进行检索。 在文本搜索场景，首先需要确保最相关的结果能够出现在检索的结果中。向量检索和关键词检索各有优势，而引入混合检索结合了两种搜索技术的优点，并且弥补了各自的缺点。 02 — 什么是混合检索？ 混合检索是结合了两种或者多种搜索算法提高搜索结果相关性的搜索技术。而在RAG系统中，混合搜索最常见指向量检索和关键词检索的组合。 ，通常会支持混合检索、向量检索和全文检索。 作为平台用户可以选择使用哪种检索方式； 混合检索结合全文检索和向量检索的的优势，对召回的结果进行综合排序，让大模型生成的结果更好，也是各个平台优先推荐的；
3.8K10编辑于 2024-03-25 Milvus + BGE-M3：Dense与Sparse向量混合检索技术解析
"iPhone15ProMax"缺乏语义理解能力BGE-M3的出现改变了这一局面——一个模型同时生成两种向量，配合Milvus的混合检索能力，实现语义理解与精确匹配的完美融合。 0.60.4平衡模式相似推荐1.00.0纯语义相似六、效果评估6.1检索效果对比基于实际测试数据：检索方式召回率@10精确率@10MRR延迟(ms)纯Dense0.820.750.6815纯Sparse0.710.820.618 混合检索(RRF)0.890.840.7625关键发现：混合检索召回率提升7-18%精确率提升2-9%延迟增加约10ms（可接受）6.2场景适用性展开代码语言：PythonAI代码解释SCENARIO_ANALYSIS ={"问答系统":{"best_method":"混合检索(RRF)","reason":"问题包含语义信息，需深度理解"},"电商搜索":{"best_method":"混合检索(加权)","reason ：Dense和Sparse检索可并行执行八、总结核心要点BGE-M3优势：一个模型同时生成Dense和Sparse向量，降低部署复杂度混合检索价值：融合语义理解和精确匹配，召回率提升7-18%RRF融合推荐
39810编辑于 2026-05-09- 来自专栏Python与算法之美
10分钟入门faiss相似向量检索
，有python接口，对10亿量级的索引可以做到毫秒级检索的性能。 使用faiss 搭配合适的model和embedding函数，可以帮助我们 构建 人脸识别，相似图片检索，LLM知识库问答，推荐系统召回模块 等应用。 faiss的主要原理是构建base vectors向量数据的index索引，然后利用索引对search vectors 实现 TopK 相似向量检索。 1，Flat：暴力精确检索，全局最优，适合数十万级。 2，IVF100,Flat：倒排暴力检索(100聚类后暴力检索)，非全局最优但召回高，适合数百万级。 3, HNSW64: 图网络检索，Hierarchical NSW(Navigable Small World)，每个节点64条边，检索复杂度log(logn)，适合千万上亿规模以及更大规模的图索引，缺点是构建索引过程较慢
5.1K30编辑于 2023-09-05 10分钟带你从零搭建本地RAG：向量 + BM25 + RRF 混合检索，一篇就够+github完整源码
读完本文，你将：理解 RAG 为什么存在、掌握它的完整工作流程、能独立跑通一个本地知识库问答项目，并深入理解 混合检索（BM25 + 向量检索 + RRF 融合） 的实现原理与价值。 ，但不理解同义词和语义关联 混合检索让两路各发挥所长，再用 RRF 算法融合排名，兼顾精确和语义。 混合检索: query =「什么是 LlamaIndex？」 六、完整的混合检索流程图解 该流程先离线构建文档向量库与 BM25 索引，在线问答时并行语义检索与关键词检索，经 RRF 融合后将 Top-5 片段输入 LLM 生成最终答案。 () 混合检索获取相关片段 八、跑通之后，你可以做什么？
4.5K10编辑于 2026-04-14- 来自专栏Python
LightRAG：图增强检索框架，索引速度提升10倍
传统向量检索在面对复杂查询时往往力不从心。香港大学团队开源的LightRAG提供了新思路：用知识图谱双层索引重构检索架构，在保持轻量化的同时，让索引速度比GraphRAG快10倍。 四种查询模式模式适用场景检索方式naive简单事实查询纯向量检索local实体相关问题低层图遍历global宏观趋势分析高层图社区检索hybrid复杂综合查询多路召回+Rerank系统会根据问题特征自动切换模式 四、实际应用场景企业知识库问答员工手册、技术文档、会议纪要混合检索，支持"公司福利政策有哪些变化"这类全局查询。学术论文分析构建领域知识图谱，快速定位研究热点和技术演进路径，帮助研究人员梳理文献脉络。 API返回完整上下文，便于调试优化支持自定义评估指标（RAGAS框架）六、性能表现基于多个公开数据集的测试结果：指标LightRAGGraphRAG索引速度基准10倍基准1倍查询延迟小于2秒8-15秒准确率提升 架构设计启示图谱+向量混合检索是处理复杂查询的有效方案异步+批处理是大规模数据处理的标准做法存储抽象层让系统能适配不同部署环境增量更新机制是生产级系统的必备能力对后端架构师来说，LightRAG展示了如何在性能
96110编辑于 2025-12-03 向量数据库如何实现混合检索？腾讯云方案为何成为企业首选？
摘要 在AI时代，非结构化数据检索面临语义理解与精准匹配的双重挑战。混合检索（向量+标量字段过滤）通过结合语义相似度与结构化条件筛选，成为破局关键。 本文解析混合检索技术原理，对比主流方案差异，并重点推荐腾讯云向量数据库的混合检索能力及其商业价值。 正文 当企业需要同时实现“语义理解”和“关键词过滤”时，传统向量数据库的单一能力已显不足。 混合检索通过融合稠密向量与稀疏向量技术，正在重塑数据检索的效率标准。作为国内首个通过信通院认证的向量数据库服务商，腾讯云如何通过技术创新解决这一难题？ 召回率与效率平衡 需复杂排序算法 二、腾讯云混合检索方案解析 2.1 核心能力矩阵 腾讯云向量数据库通过三大技术创新实现混合检索突破： 双引擎架构： 稠密向量引擎：支持768 端到端AI套件： 自动完成网页分块、向量化、索引构建，数据接入效率提升10倍 2.2 性能实测对比 在100万数据集（768维）的混合检索测试中： 指标 腾讯云
60710编辑于 2025-12-16
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号