我要投稿

RAG智能问答系统为什么要使用混合检索？（完整版）

发布日期：2024-07-30 08:23:01 浏览次数： 3219

作者：产品言语

微信搜一搜，关注“产品言语”

有读者反馈之前写的内容没有写完，本篇对之前写的内容进行补充和完善。

检索增强生成简称RAG（Retrieval-augmented Generation），RAG为大语言模型安装了知识外挂，基础大语言模型不用训练，通过RAG技术与大语言模型结合在回答问题的时候，可以通过企业内部的知识库检索相关和最新的信息来生成内容，从而提高了回答问题的准确性、实时性和关联性。

—

为什么要用混合检索？

基于语义的向量检索

在RAG智能问答系统中，RAG检索环节中的检索的方式采用向量检索，即通过语义相关度匹配的方式进行检索。

技术原理是通过将外部的知识库文档进行拆分成语义完整的段落或者句子，并将其转化为向量存储，而对用户的问题也同样进行向量化，然后通过用户问题与句子之间的语义相关性，查找出相关度最高的文本，找到后RAG系统会将用户的问题、相关内容一起提供给大模型，大语言模型推理出问题的答案。

向量检索除了能够实现复杂语义的文本查找，还有其他优势：

容错性：处理模糊描述、拼写错误；
多模态理解：支持文本、图像、音视频等相似匹配；
多语言理解：跨语言理解，如输入中文匹配英文；
相似语义理解；

向量检索在某些情况下效果不佳，如：

搜索一个人或者一个物体的名字；
搜索缩写词或者短语；
搜索ID等场景而这些场景恰恰是传统关键词搜索的优势所在，传统的关键词搜索的优势在于精准搜索、少量字符匹配等方面。

关键词检索极其局限性

在信息检索的场景，“传统”方式是通过关键词搜索，大致过程为：

对原始内容进行关键词提取；
建立关键词和原始语料的映射关系，常见的方法有倒序索引、TF-IDF、BM25等方法，其中TF-IDF、BM25通常用“稀疏向量（Sparse Vector）”来表示词频。
检索时，对检索语句进行关键词抽取，并通过建立的映射关系召回关联度最高的TopK原始语料。

关键词检索无法对语义进行理解，例如，检索词为“北大医院”，经过分词以后成为“北大”“医院”，这两个关键词都无法有效检索用户的预期目标“北京大学第一医院”这个目标。

在文本搜索场景，首先需要确保最相关的结果能够出现在检索的结果中。向量检索和关键词检索各有优势，而引入混合检索结合了两种搜索技术的优点，并且弥补了各自的缺点。

—

什么是混合检索？

混合检索是结合了两种或者多种搜索算法提高搜索结果相关性的搜索技术。而在RAG系统中，混合搜索最常见指向量检索和关键词检索的组合。

不同的检索系统在寻找文本中各自擅长之间存在不同的联系，没有任何一种检索模式能够适用全部的情景，混合检索通过多个不同的检索系统组合，结合不同检索系统的优势，实现多个检索技术直接的互补。

—

产品电源

对目前行业中其他产品基于RAG的问答系统的检索方式进行调研。

Coze

混合检索：结合全文检索与语义检索的优势，并对结果进行综合排序；
语义检索：基于向量的文本相关性查询，推荐在需要理解语义关联度和跨语言查询的场景使用；
全文检索：依赖于关键词的全文搜索，推荐在搜索具有特定名称、缩写词、短语或ID的场景使用；

betteryeah

混合查询：使用语义和关键词综合查询，效果更好；
关键词查询：精准查询，通过人名、地名等查询具体内容；
语义查询：适合通过描述、问题查询相似答案；

Azure AI搜索

全文搜索：信息检索中与索引中存储的纯文本匹配；
矢量搜索：存储内容的数字表示形式来执行搜索；
混合搜索：全文搜索和矢量搜索的结合；

总结：

基于文档和知识库的RAG问答系统，在调研的产品中，通常会支持混合检索、向量检索和全文检索。作为平台用户可以选择使用哪种检索方式；
混合检索结合全文检索和向量检索的的优势，对召回的结果进行综合排序，让大模型生成的结果更好，也是各个平台优先推荐的；

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费POC验证，效果达标后再合作。零风险落地应用大模型，已交付160+中大型企业

相关资讯

2026-06-20

RAG 投毒的六个影响因素与防御框架

2026-06-20

RAG 性能暴涨 5.9 倍！微软新框架让 LLM 自主检索，无需训练直接部署

2026-06-19

RAGular：适合知识库体质的 OCR 助手

2026-06-18

阿里扔出「向量版 SQLite」！十亿级向量毫秒检索，一行 pip install 搞定，本地 RAG 的游戏规则变了

2026-06-18

一个月拿下1500star，只因我们比MinerU多做了这件事

2026-06-18

为 1000 万+ 文档构建近零幻觉的 RAG Pipeline

2026-06-17

微软推出企业级 AgenticRAG！四个工具助力RAG新范式落地

2026-06-16

从 RAG 到 MAG：解析 Agent 的长期记忆 (Memory) 架构演进

联系获取

160+中大型企业正在使用53AI

立即咨询预约演示

把握AI发展的机遇，共同探索、共同进步

2025-01-22

如何打造基于GenAI的员工服务机器人

2025-01-22

热点资讯

知识基座：让“AI 越用越懂业务”的团队经验实践【天猫AI Coding实践系列】

2026-03-23

全网爆火的大模型AI知识库，保姆级教程来了

2026-04-06

Karpathy的LLM Wiki + 3.5 万Star的Graphify：企业级 RAG 缺的真是知识图谱？

2026-04-27

RAG进化了，深扒Claude Code源码中RAG高级技巧

2026-04-02

OpenDataLoader：PDF文档提取的一站式方案

2026-03-31

2026 年做搜索就是做 Agent Memory

2026-04-23

Codeindex · 让大模型更好地理解你的代码

2026-04-20

阿里云百炼「记忆库」正式上线，让龙虾真正记住你！

2026-04-09

YC CEO 的 AI 记住了 3000 个人

2026-04-12

专题解读 | 可更新的检索增强知识库发展方向及进展

2026-04-22

大家都在问

RAG运维如何用好Loop Engineering？Milvus 3.0 对它有什么价值？

2026-06-15

如何构建一个更“好”的知识库？

2026-06-10

企业 RAG 知识库落地，应如何设计实现？

2026-06-10

AIOps探索：给不能联网的客户做一个AI运维助手到底有多难？

2026-05-20

有多少人把Agent与RAG的检索策略，简化成了 if-else？

2026-05-18

到底是谁会相信RAG已死啊？

2026-05-11

1G内存检索2500万向量，Milvus中如何用FLAT在强标量过滤场景搞定毫秒响应？

2026-05-07

多Agent场景，子agent 之间数据读写不同步，如何解决？

2026-05-06

热门标签

内容创作大模型技术个人提效 langchain llamaindex 多模态技术 RAG技术智能客服知识图谱模型微调 RAGFlow coze Dify Fastgpt Bisheng Qanything AI+汽车 AI+金融 AI+工业 AI+培训 AI+SaaS Skill 提示词技巧 AI+电商 AI面试数字员工 ChatBI AI知识库开源大模型智能营销智能硬件 FDE AI+医疗 MaxKB Palantir Glean Openclaw