混合召回与排名融合

两条召回路解决不同遗漏

用户可能使用自然说法寻找正式术语，也可能给出不能错一位的编号。Dense路线补充语义相近的材料，词法路线保留精确匹配；混合召回的目的，是让两种相关证据都有机会进入候选集。它首先是召回设计，然后才是排名问题。

Azure AI Search与Vespa官方资料都展示全文和向量组合。一个便于分析的起点是并行运行两路查询，对授权候选按稳定证据ID去重，保存各路原始排名，再用RRF等方法融合。不要丢掉分路诊断，否则失败时很难判断是哪条路线提供或压低了关键证据。

排名融合不要求原始分数可比

BM25与cosine的取值和意义不同，直接相加会受到分布影响。RRF基于候选排名而非原始尺度，在没有足够校准数据时较易建立基线；线性融合则需要明确归一化、字段与数据分布，不能从一个demo权重推导通用最优比例。

多路召回也可能产生大量同文档相邻段或同一内容的多个副本。去重时保留版本与来源身份，避免将不同权限对象因内容相似合并。可按文档、章节或实体保留候选多样性，但不要为了多样性删除唯一精确命中。

用分层消融证明组合价值

比较词法、dense、hybrid及hybrid加rerank四个基线，固定资料、切块和最终证据预算。报告每类query的必需证据召回，而非只展示几条好看的答案。多跳问题还需检查关键证据是否同时齐全。

混合检索增加了调用与候选规模，也可能提高尾延迟。若某类精确查询由词法已可靠解决，可以使用明确路由；复杂问题再采用完整混合管线。最终选择应处于质量、延迟和成功任务成本的可接受前沿。