词法检索与BM25

精确词不是过时的信号

合同号、错误码、人名、证券代号和罕见专业词，通常比一段宽泛的语义描述更能定位正确材料。词法检索通过倒排索引找到出现这些词的文档，BM25等评分再利用词频、文档长度和词的区分度排序。向量表示未必能保留所有字符级差别，因此不能把词法路线简单删除。

Vespa的混合检索教程明确区分词法召回与embedding召回，并演示不同候选组合。借鉴这一结构时，应给标题、正文、精确ID和别名不同字段，而不是把整份文档及所有元数据拼成一条字符串，再依赖统一分词器处理。

中文与编号需要单独测试

中文分词、英文缩写、连字符、大小写、全半角和版本号会影响词项。建议对关键ID保留未经分词的精确字段，对正文使用适合语言的分析配置；对相同实体的正式名、简称与英文名建立受控别名。自动扩展出的同义词应可回溯和撤回。

BM25分数依赖索引统计，不是答案正确的概率。跨字段、跨资料域、跨shard或跨tenant时，分数分布也可能不同。Qdrant当前多租户文档特别说明稀疏IDF统计默认作用域可能不等于租户过滤范围，提示检索隔离不只有返回内容隔离。

用失败样本决定组合方式

词法基线应包含精确编号、同名实体和近似术语的对抗案例，也包含用户使用自然说法而文档使用正式术语的案例。后者暴露词法局限，适合由dense路线补充，而非无限扩张同义词表。

验收时检查相关证据是否进入候选集、是否被错误分词以及候选是否来自当前授权域。与向量组合时优先比较排名融合；不要直接相加尺度不同的分数，再把某个固定权重称为普遍最佳配置。