一、概述
在文章《[RAG工程化实践方法论]》中，我们系统梳理了RAG工程化中的常用技术手段。
作为该系列的延续，本文将聚焦于RAG检索阶段优化中的混合检索方式，深入剖析其核心原理，并详细解读其实现方法。
二、混合检索
2.1 简介
混合检索 (Hybrid Search)指的是在同一RAG系统中，并行采用多种不同类型的检索算法进行信息获取（常见的组合方式为：传统关键词匹配 + 向量语义相似度计算）。该方法通过多条检索路径协同工作，从多个维度全方位捕捉文档内容与用户查询意图之间的匹配关系。
2.2 核心思想
其核心理念可概括为**“字面匹配搜索”与“语义相似度理解”**的双剑合璧：
- 关键字检索 (如 BM25)：侧重精准定位，擅长捕捉专有名词、型号代码、缩写等特定词汇。例如搜索“iPhone 17”，能够有效筛除与“iPhone 16”相关的内容。
- 向量检索 (Vector Search)：侧重语义理解，能够感知用户提问背后的意图，即使查询中未出现原文的精确用词，也能召回语义相近的信息。
- 结果融合 (Fusion)：将多路检索返回的候选结果汇总整合，并借助重排序算法筛选出综合质量最优的文本片段。
2.3 实现原理
混合检索的实现通常遵循以下标准工作流：
A. 并行检索 (Parallel Retrieval)
系统接收到问题查询请求后，将其同时发送至两个（或多个）独立的检索模块：
- 关键字检索模块 (BM25)：基于词频和逆文档频率算法，筛选出包含相关关键字的文档内容。
- 向量检索模块 (Embedding)：将查询问题转换为向量表示，在向量数据库中检索距离最近的文本片段。
B. 结果整合与生成
将多路检索返回的文档汇集融合后，输入大语言模型生成最终答案。
2.4 优势
- **高鲁棒性：**能够有效应对多种提问形式，无论是表述简略还是语义模糊，均能保持稳定表现。
- **幻觉抑制：**通过精准的关键词匹配，将模型限定在正确的信息源范围内，减少内容张冠李戴的风险。
- **冷启动支持：**对于新出现的专有名词或术语（向量模型可能尚未学习），关键词检索可快速填补这一空白。
- **召回更全面：**兼顾“语义相关”与“字面匹配”两方面，整体召回效果显著优于单一检索路径。
三、混合实现方式
3.1 数据准备
在实现混合检索之前，我们首先准备待分割的文档，接着初始化向量数据库，并将分割后的文档存入向量库。此处仍沿用前文所使用的新闻稿news.txt，实现代码如下：
from langchain_community.document_loaders import TextLoaderfrom langchain_text_splitters import RecursiveCharacterTextSplitterfrom langchain_chroma import Chroma# 加载文档path = "news.txt"loader = TextLoader(path,encoding='utf-8')docs = loader.load()# 分割文档text_splitter = RecursiveCharacterTextSplitter(chunk_size=512, chunk_overlap=50)chunks = text_splitter.split_documents(docs)vectorstore = Chroma.from_documents(documents=chunks, embedding=embeddings_model, collection_name="mix-query")# 初始化检索器retriever = vectorstore.as_retriever(search_kwargs={"k": 3})3.2 向量检索
在混合检索前，先做向量检索测试一下效果，代码如下：
query = "OpenClawd是什么"# 向量检索vector_retriever_doc = vector_retriever.invoke(query)pretty_print_docs(vector_retriever_doc)运行结果如下，向量检索能够从检索出相关数据：
3.2 关键字检索
这里关键字检索使用BM25（Best Matching 25）方式来检索，BM25是一种衡量文档与查询相关性的排序函数，通过考虑词频、逆文档频率和文档长度归一化来计算文本匹配得分。代码如下：
from langchain_community.retrievers import BM25Retriever# BM25关键词检索BM25_retriever = BM25Retriever.from_documents(chunks,k=3)BM25Retriever_doc = BM25_retriever.invoke(query)pretty_print_docs(BM25Retriever_doc)运行结果如下，BM25能够检索出相关数据：
3.3 混合检索
把上面的两种检索方式进行融合，并设置权重，把检索的结果进行融合后再交给大模型来总结回答。相关代码如下：
from langchain.retrievers import EnsembleRetriever# 向量检索和关键词检索的权重各0.5，两者赋予相同的权重retriever = EnsembleRetriever(retrievers=[BM25_retriever, vector_retriever], weights=[0.5, 0.5])pretty_print_docs(retriever.invoke(query))运行结果如下，结果返回4个文档块，对比发现是前两种方式检索出来的6个文档块有两个是重合的，融合后保留了4个：
把以上融合后的结果交给LLM进行总结，最终即可生成答案。
- 总结
=====
混合检索通过并行使用多种检索方式，将“字面精准定位”与“语义意图理解”有机结合，有效弥补了单一检索模式的局限性。该方法利用多路召回与权重融合策略，不仅提升了检索的全面性和鲁棒性，还能抑制模型幻觉、增强对新术语的适应能力。
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～
