混合检索（Hybrid Search）：多模态检索实战指南（第四章）

1. 从 Corrective RAG 到多模态检索

在第三章，我们学习了 Corrective RAG（CRAG），通过文档评分和托底机制来提升 RAG 系统的可靠性。CRAG 主要解决检索结果的质量验证问题，但在检索环节本身，传统 RAG 系统还存在一个根本性的问题：单一检索方式的盲区。

本章将解决这个问题：如何通过混合检索（Hybrid Search）结合多种检索方式，提升检索的召回率和精确度。

2. 为什么需要混合检索？

2.1 什么是混合检索？

混合检索（Hybrid Search）是一种结合向量检索、稀疏检索、全文检索三种模态，通过加权分数融合来提升检索效果的技术。它通过让不同检索方式互补，克服单一检索方式的盲区，从而提高召回率和精确度。

2.2 单一检索方式的问题

我们先来看看单靠一种检索方式会遇到什么问题。

向量检索的盲区：

向量检索擅长理解语义和概念，但它会遗漏精确的关键词。比如你搜索 “GAAP” 或 “Q3 2023” 这样的专有名词，向量检索可能会返回一些概念相似但实际不相关的结果。还有一个问题是过度泛化——它可能返回概念上相似，但实际上答非所问的文档。

关键词检索的盲区：

关键词检索擅长匹配精确的术语，但它不理解语义。比如你搜索 “machine learning”，它找不到包含 “AI” 的文档；你搜索 “revenue”，它找不到包含 “earnings” 或 “income” 的内容。这就是语义盲区的问题。

问题的本质在于：向量检索会遗漏关键词，关键词检索会遗漏语义——每种方法都有自己的盲区。

2.3 混合检索：融合三种模态

混合检索的思路是：既然单一方法都有盲区，那就把它们组合起来。具体来说，混合检索结合了三种互补的检索方式：

三种检索方式各有侧重：

• Vector Search（向量检索） → 理解语义相似度
• Sparse Search （稀疏检索） → 匹配关键词和同义词
• Full-text Search （全文检索） → 精确短语匹配

2.4 Hybrid RAG vs Corrective RAG

混合检索和纠错机制解决的是不同阶段的问题：

对比维度	Hybrid RAG （本章）	Corrective RAG （第三章）
核心目标	Better Retrieval （更好的检索）	Better Validation （更好的验证）
实现方式	结合 3 种检索模态	文档相关性评分
关键机制	加权分数融合	查询重写 + 托底机制
作用阶段	检索阶段	检索后验证阶段
Agent 作用	选择检索策略	评估质量 + 触发托底

这两种技术可以完美配合：用混合检索提升检索质量，再用 Corrective RAG 进行质量验证。

3. 三种检索模态详解

理解了混合检索的必要性后，我们来深入了解构成混合检索的三种核心模态。

3.1 向量检索（Vector Search)

向量检索通过将文本转换为稠密向量（Dense Embeddings，通常 768-1536 维），然后使用余弦相似度测量向量之间的角度，返回语义上最相似的文档。

它的优势在于理解概念和语义关系，能够处理释义和同义表达。但它无法精确匹配特定术语，比如 “GAAP” 或 “SKU-12345” 这样的专有名词。

适用场景：概念性查询，比如 “What causes inflation?”

3.2 稀疏检索（Sparse Search)

稀疏检索使用 TF-IDF（词频-逆文档频率）提取关键词，可以在词汇表内扩展同义词，基于关键词权重进行匹配（不是精确字符串匹配）。

TF-IDF 的原理是：Term Frequency × Inverse Document Frequency——在整个文档集中越罕见的词获得越高的权重。

稀疏检索的优势是能够匹配相关术语，比如 revenue、earnings、income 这些同义词，而且不需要嵌入模型。但它受词汇表维度限制，难以处理稀有专有名词。

典型应用场景：工具选择（Tool Selection）

稀疏检索在混合检索中发挥关键词匹配作用，特别在工具选择、术语敏感查询（如专有名词、技术缩写）中表现优异。

3.3 全文检索（Full-text Search)

全文检索通过构建带分词的倒排索引（Inverted Index），应用 BM25 评分算法（改进的 TF-IDF，加入了文档长度归一化），返回精确短语匹配的结果。

BM25 是 TF-IDF 的改进版本，它加入了文档长度归一化，避免长文档获得不公平的高分。

全文检索的优势是能够精确匹配短语（如 “Item 1A Risk Factors”），处理稀有专有名词，支持精确章节定位。但它无法处理拼写错误或变体，也不理解语义关系。

适用场景：精确章节查找，比如 “查找第 10-K 报告的风险因素章节”

3.4 三种模态的选择

没有单一模态是最好的，关键是根据查询模式组合使用：

检索模态	最适合的查询类型	示例查询	核心优势
向量检索	概念性查询，需要语义理解	“What are Nike’s financial risks?”	语义理解
稀疏检索	同义词感知的关键词匹配	“Nike earnings 2023”	关键词泛化
全文检索	精确短语查询，章节名称	“Item 1A Risk Factors”	精确匹配

4. seekdb：AI 原生的搜索数据库

4.1 seekdb 是什么？

seekdb 是 OceanBase 推出的 AI 原生搜索数据库，它将向量存储、关系数据、全文搜索整合到一个统一的平台中。传统方案需要使用专门的向量数据库，会带来额外的运维成本和系统复杂度，seekdb 通过统一的多模型引擎解决了这个问题。

4.2 seekdb 的核心优势

4.3 为什么选择 seekdb 实现混合检索？

• 单次查询就能调用 3 种模态，无需调用外部服务
• 原生加权融合，内置 RRF 和线性组合算法
• 自动索引同步，向量、稀疏、BM25 索引自动维护
• MySQL 协议，兼容现有工具和驱动
• 可以无缝迁移到 OceanBase 集群

5. 实战：实现混合检索

5.1 准备环境：

[code]import os from dotenv import load_dotenv # Load environment variables load_dotenv("../.env") # Verify configuration print("✅ Configuration loaded:") print(f"
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！