考察点
这道题出自阿里淘天大模型岗校招，考的是你对「混合检索」的理解是不是停留在「向量 + BM25 一起查」这个层面。面试官想听的是：两种召回各自的失效场景你能各举出具体的例子吗？融合用什么算法、为什么？权重怎么定？追问大概率会落到 RRF 和加权融合的取舍、以及你在线上怎么验证混合检索真的有效。
参考答案
向量召回的盲区：语义有余，精确不足
向量检索把文本压成语义向量，擅长「意思相近」的匹配，但有几类查询它天然吃亏：
- 专有名词和稀有词。型号、错误码、SKU、人名、版本号——这些词在 embedding 模型的训练语料里频次低，向量空间里它们的位置不可靠。用户问「ERR_CONN_2047 怎么解决」，向量召回很可能返回一堆「连接错误排查」的通用文档，而真正写了这个错误码的那篇被排在几十名开外。
- 短查询。三五个词的 query 语义信息量太少，向量区分度差。
- 精确匹配需求。「2024 年 Q3 财报」这种带明确限定词的查询，向量容易召回 2023 年 Q3、2024 年 Q2 这些语义近邻，恰恰是错的。
- 跨语言、术语黑话场景下向量也会飘，本质都是训练分布覆盖不到。
稀疏召回的盲区：关键词有余，语义为零
BM25 这类稀疏检索基于词项匹配和词频统计，它的盲区正好互补：
- 完全不懂同义改写。文档写「离职流程」，用户问「怎么办理辞职」，词面零重叠就一条都召不回。
- 不理解上下文语义。它只看词项在文档和语料里的统计特征，「苹果手机」和「苹果期货」对它来说共享「苹果」这个词项，靠 IDF 硬算。
- 对长尾自然语言问句效果差，疑问词、语气词稀释了真正的关键词权重。
融合方案：RRF 是工程上的默认答案
两路各查 top-K（比如各取 50），然后融合。主流做法两种：
加权线性融合：把两路分数归一化后加权求和，score = α · vec_score + (1-α) · bm25_score。问题是两路分数的量纲完全不同——余弦相似度在 0.6~0.9 之间扎堆，BM25 分数是几到几十的开区间，归一化方式（min-max 还是 z-score）会显著影响结果，α 需要在评测集上调，而且换个数据集就得重调。
RRF（Reciprocal Rank Fusion）：只用排名不用分数，score = Σ 1/(k + rank_i)，k 一般取 60。它丢弃了分数的绝对值信息，换来的是对量纲完全免疫、几乎不用调参、对两路结果的相关性假设最弱。工业界默认选 RRF 不是因为它理论最优，而是因为它在绝大多数业务集上和精心调过的加权融合打平，工程复杂度低一个数量级。回答时把这个「为什么默认 RRF」讲出来，比背公式值钱。
权重与策略：看业务的词表特性
融合之后的工程细节：
- 哪路优先：文档含大量专名、代码、型号（技术文档、电商 SKU 库）的场景，稀疏召回的贡献大，可以让 BM25 的 top 结果在融合后保底留位；开放问答、语义改写多的场景则向量为主。有些实现干脆给两路设不同权重再 RRF（weighted RRF）。
- 融合后接 rerank：混合召回解决的是「召得全」，精排交给 cross-encoder 类的 reranker 解决「排得准」。召回 top 50 融合后截 top 20 进 reranker，最后取 top 5 给 LLM，是常见的三段式。
- 查询分流：更进一步的做法是先用规则或小模型判断 query 类型——含错误码/型号的走稀疏加权，自然语言问句走向量加权，比固定权重更精细。
验证方式
上线前必须分路统计：同一评测集上分别跑纯向量、纯 BM25、混合三路，看 Recall@K 的提升是不是真实存在，以及有多少 case 是「向量漏了、BM25 救回」或反过来。这个分解数据既是上线依据，也是后续调权重的抓手——只说「混合检索更好」而没有分路消融数据，面试里会被追问到。
可能的追问
- RRF 和加权融合怎么选？ 答：默认 RRF，免调参且对分数量纲免疫；只有当某路明显更强、且愿意在评测集上调权重时才用加权融合，迁移场景要重调。
- 稀疏召回除了 BM25 还有什么？ 答：学习型稀疏检索如 SPLADE，用模型学词项重要性，兼顾一定语义泛化；代价是要训练和推理开销。
- 混合检索的延迟怎么控制？ 答：两路并行查、在融合点汇合，延迟取两路最大值；向量库和 ES 分开部署，必要时给 BM25 路加查询改写减少长尾 query 的扫描量。
- 怎么判断该加大哪一路的权重？ 答：在评测集上做分路贡献分析，统计正确答案只被单路召回的比例；同时看 badcase 里错误码类、改写类 query 各占多少，对症下药。