Hybrid Retrieval 混合检索
Hybrid Retrieval（混合检索）是一种融合传统关键词匹配与现代向量语义搜索的检索方法，通过加权融合或级联策略提升搜索的准确性和召回率，广泛应用于搜索引擎、推荐系统和RAG（检索增强生成）中。
一句话解释
Hybrid Retrieval（混合检索）是一种融合关键词精确匹配与向量语义相似度计算的检索策略，旨在平衡检索的精确性与灵活性，让搜索结果既不错过精确术语，也能理解用户意图中的同义词或模糊表达。
为什么会被关注
传统关键词搜索（如BM25）对精确匹配敏感，但无法处理同义词或语义变体；向量搜索（如基于嵌入的检索）擅长语义理解，却可能忽略高频精确匹配。混合检索将两者优势结合，显著提升大模型RAG场景下的检索质量。
随着企业知识库、智能客服等AI应用对检索准确率的要求日益提高，混合检索成为解决“既要精确又要灵活”矛盾的关键技术，尤其在检索数据量大、用户输入多样时优势明显。
核心逻辑
混合检索通常采用加权融合或两阶段级联。加权融合对关键词得分（如BM25分数）和向量相似度（如余弦相似度）进行线性组合，通过调整权重控制两种信号的比重。
级联方式则先用关键词检索快速粗筛出候选集合，再利用向量模型对候选结果进行语义精排，兼顾效率与效果。实际部署中需根据数据分布和查询特点调节权重、阈值或级联层数。
常见场景
企业知识库问答：用户常输入包含产品型号（需精确匹配）和功能描述（需语义理解）的混合查询，混合检索可同时满足两类需求。电商商品搜索：用户搜索“红色蓝牙耳机”，既要精确匹配颜色和品类，也要理解“蓝牙”的语义关联。
法律文书检索、医疗文献查找等专业领域同样适用，尤其当用户使用术语缩写或近义表述时，混合检索能兼顾召回率与准确率。此外，RAG（检索增强生成）系统常默认集成混合检索作为检索器。
容易混淆的点
混合检索不是多模态检索——后者处理图文、音视频等不同数据类型，而混合检索只针对文本的同源检索策略。它也不是简单的“多种模型混合”，而是特指关键词与语义两种检索算法的协同。
另外，混合检索在RAG中仅属于检索器的一种实现方式，不等于整个RAG流程。部分产品将“混合搜索”误标为“多模态搜索”，实际仍是文本层面的关键词+语义融合，需注意区分。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词RAG（检索增强生成）是一种将信息检索与大语言模型生成能力相结合的技术范式。它让模型在回答前，先从外部知识库中查找相关文档，然后基于这些检索到的准确信息进行生成，从而显著提升回答的准确性、时效性和可追溯性。
向量数据库是一种专门为存储和检索高维向量数据而设计的数据库。它通过将文本、图像、音视频等非结构化数据转化为数学向量（即一组数字），并计算向量间的“距离”来衡量相似性，从而实现高效的相似性搜索。它是构建AI应用，如智能问答、推荐系统和内容检索的核心基础设施。
向量检索是一种基于深度学习的技术，它将文本、图像等数据转换为高维空间中的向量（一组数字），并通过计算向量间的相似度来寻找最相关的内容。它突破了传统关键词匹配的局限，实现了基于语义的智能搜索与推荐。