什么是 Hybrid Search（混合搜索）？
Hybrid Search（混合搜索）是一种将传统关键词检索（稀疏搜索）与现代语义向量检索（密集搜索）结合的技术，旨在兼顾精确匹配与语义相似性，提升搜索结果的相关性与召回率，广泛应用于 AI 搜索引擎、RAG（检索增强生成）系统和企业知识库中。
一句话解释
Hybrid Search 就是将传统的关键词精确匹配（如 BM25）和基于向量语义的近似匹配（如嵌入向量余弦相似度）结合起来，协同获得更全面、更准确的搜索结果。
为什么会被关注
纯关键词搜索对同义词、自然语言变体不敏感，容易漏掉相关结果；纯语义搜索可能忽略精确的实体匹配或高频术语。混合搜索能互补两者短板，在召回率与准确率之间取得更优平衡。
随着 RAG（检索增强生成）和大语言模型应用的普及，检索质量直接影响生成效果。Hybrid Search 成为提升 AI 应用知识检索能力的关键技术，因而备受关注。
核心逻辑
混合搜索通常并行运行两路检索：一路使用稀疏检索算法（如 BM25、TF-IDF）基于倒排索引进行关键词匹配；另一路使用密集检索将查询和文档映射到高维向量空间，通过向量相似度计算语义相关性。
两路检索各自返回得分最高的候选结果，然后通过加权求和、排序融合（如 Reciprocal Rank Fusion）或学习型合并策略得到最终排序。超参数（如权重 λ）可调节关键词与语义的侧重比例。
常见场景
企业知识库搜索：员工需查找“销售手册”等精确文档名，同时也能通过“如何提升客户满意度”这种自然语言提问找到相关内容。
电商商品搜索：用户输入“红色连衣裙”既要求品牌名称精确匹配，也能通过语义理解找到“酒红裙子”等变体描述。
AI 聊天机器人与 RAG 系统：在回答前检索相关上下文，混合搜索确保同时命中政策编号（如“P-2024-05”）和语义相近的段落。
容易混淆的点
Hybrid Search ≠ 多模态搜索。混合搜索是针对单一文本模态下不同检索策略的融合，而多模态搜索处理图片、文本、音频等多种数据类型的联合检索。
Hybrid Search 不是简单的“关键词+向量”两路结果堆叠。其核心在于合理的排序融合策略（如 RRF、加权平均），否则两路结果相互干扰反而降低效果。
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BM25（Best Matching 25）是一种基于概率检索框架的文档相关性评分算法，广泛应用于搜索引擎、问答系统、文档检索等场景。它通过考虑词频、逆文档频率和文档长度归一化，比传统TF-IDF更精确地判断查询与文档的匹配程度。
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。
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框架。它让模型在回答前，先从外部知识库中检索相关信息作为参考，从而生成事实性更强、时效性更高且可追溯来源的内容，有效缓解大模型的“幻觉”问题。