Multi-Vector Retrieval 是什么？多向量检索让搜索结果更精准
Multi-Vector Retrieval（多向量检索）是一种将文档或查询拆分为多个向量进行检索的方案，通过融合稠密向量与稀疏向量，或为同一对象生成多个不同视角的嵌入，来提升语义匹配的准确性和召回率。它常被用于高级 RAG 系统、搜索引擎和推荐场景，以弥补传统单向量检索在细粒度匹配上的缺陷。
一句话解释
Multi-Vector Retrieval 是一种检索策略，它不再用单个向量代表一个文档或查询，而是生成多个向量（如每个段落一个向量，或同时使用稠密和稀疏向量），然后分别计算相似度并合并得分。这样能捕捉文档中不同侧面的语义信息，提升检索的全面性和精确度。
为什么会被关注
传统检索常用一个固定长度的稠密向量表示整个文档，容易丢失局部细节。实际场景中，用户查询可能只与文档某部分相关，单向量难以精准匹配。Multi-Vector Retrieval 通过多种向量表达局部和全局信息，在 RAG 系统中能直接引用更相关的原文段落，减少幻觉，因此受到研究和工业界的关注。
而且它天然支持混合检索：既利用稠密向量理解语义，又利用稀疏向量（如BM25）匹配关键词，使结果既准确又高召回。很多向量数据库和搜索框架已内置此类能力，推动其普及。
核心逻辑
核心思想是将一个对象（文档或查询）表示为多个向量组成的集合。例如，将文档按句子或段落切分，每个片段生成一个向量；查询也可以分解为多个子意图的向量。检索时，对每个查询向量与所有文档向量计算相似度，并采用聚合策略（如 max, sum, top-k 加权）得到最终分数。
另一种常见实现是同时保留稠密向量和稀疏向量，分别检索后按比例融合得分。这种多向量表示打破了单向量维度限制，允许模型在不同粒度上匹配信息，从而提升复杂查询的检索效果。
常见场景
智能问答和 RAG 系统：用户提问后，首先通过多向量检索从知识库中找出最相关的多个段落，再交给生成模型回答。相比单向量检索，它能更准确定位到包含答案的句子，减少无关上下文。
企业搜索引擎：产品文档、研究报告等长文档需要同时理解主题和具体细节，多向量检索可以让用户快速定位到含有关键词的章节，兼顾语义和精确匹配。
推荐系统：将用户行为历史生成多个兴趣向量，与物品的多向量库比对，找到用户可能感兴趣的多个维度的物品，提升推荐多样性。
容易混淆的点
容易与“混合检索”混为一谈。混合检索通常指同时使用语义向量和关键词（如 BM25）进行检索，而 Multi-Vector Retrieval 更强调为同一对象生成多个向量，可以是同一类型的多个（如多个稠密向量），也可以是不同类型（混合检索只是其中一种形式）。
另一个易混淆概念是“多向量嵌入”，即一个对象有多个向量，但检索时若只取其中一个向量做相似度，就不是 Multi-Vector Retrieval。必须使用多个向量的组合查询或评分，才算应用了该技术。
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。
Embedding（嵌入）是将离散的非结构化数据（如文字、图片）映射为连续稠密向量的技术。这些向量能捕捉数据间的语义关系，让AI能进行语义相似度计算、推荐、分类等任务，是连接人类语言与机器计算的桥梁。
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。
Dense Retrieval（密集检索 / 稠密检索）是一种基于神经网络将文本映射为稠密向量，再通过向量相似度匹配来寻找相关信息的技术。它突破了传统关键词匹配只能处理字面重叠的局限，能够理解同义、近义和上下文语义，是现代语义搜索引擎和问答系统的核心技术之一。
稀疏检索是一种基于词频和倒排索引的信息检索方法，与稠密检索形成互补，在RAG、知识库搜索等场景中扮演关键角色。