真正可用的检索系统，通常不是某一种召回技术突然赢了，而是你终于承认不同问题需要不同信号一起工作。
核心思想
混合检索不是在关键词搜索和向量搜索之间二选一，而是把多种检索信号组合起来：精确词项匹配、语义相似性、查询扩展，以及最终的模型重排。我更愿意把它理解成一种工程上的诚实态度：不要假装单一技术能覆盖所有检索场景。
为什么需要组合
- BM25 擅长精确术语、专有名词、代码符号
- 向量检索 擅长同义表达、模糊描述、概念相关性
- 查询扩展 能把用户的短问题展开为更完整的检索意图
- 重排 能在小候选集里做更细粒度判断
单一路径通常会偏科：只用 BM25 容易漏掉语义相近材料，只用向量又可能稀释精确命中。很多“检索效果不稳定”的问题，说到底并不是参数没调好，而是系统天生少了一种它本来就需要的感知能力。
一条典型流水线
以 qmd 为例，一条完整链路通常是：查询扩展 → BM25 与向量并行召回 → RRF 融合 → Top-K 筛选 → LLM 重排 → 最终排序。
其中值得注意的是它的位置感知混合：对于高位结果，保留更多原始检索信号；对于较低位结果，更信任 reranker 的判断。这反映了一种我很认同的务实取舍：不要让生成式模型轻易推翻已经高度确定的精确命中。
对知识管理的意义
当知识库规模扩大时，混合检索能够提升“找得到真正需要的材料”的概率，但它仍属于访问层，不是知识编译层。因此它适合作为 llm-wiki-pattern 的补充，而非替代。对我来说，这个区分很重要，因为它提醒我别把“更会搜”误当成“已经理解”。
来源：qmd
相关页面：local-first-search · knowledge-management · qmd