---
title: "Cos’è la ricerca ibrida? BM25 più vettori con RRF | BroadRouter"
description: "La ricerca ibrida unisce la ricerca per parole chiave, come BM25, a quella vettoriale e fonde le classifiche, spesso con la RRF. Come funziona e perché aiuta la RAG."
url: https://broadrouter.com/it/glossary/hybrid-search/
lang: it
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/hybrid-search/) (aggiornato il 2026-11-16).

# Ricerca ibrida (hybrid search)

Aggiornato 2026-11-16

La ricerca ibrida è un metodo di retrieval che esegue sulla stessa query sia una ricerca per parole chiave, come BM25, sia una ricerca vettoriale sugli embedding, poi fonde le due classifiche in una sola, spesso con la reciprocal rank fusion (RRF) o con una somma pesata di punteggi normalizzati.

Detto anche: ricerca ibrida, retrieval ibrido, ricerca ibrida RAG, fusione dei ranking, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

La ricerca per parole chiave trova le parole esatte. La ricerca vettoriale trova il significato. La ricerca ibrida le esegue entrambe e unisce i risultati.

## Come funziona

La query va a due retriever contemporaneamente:

-   **Parole chiave**: [BM25](https://broadrouter.com/it/glossary/bm25/) su un indice invertito. Forte su nomi, codici e termini rari.
-   **Vettori**: vicini più prossimi tra gli [embedding](https://broadrouter.com/it/glossary/embeddings/) in un [database vettoriale](https://broadrouter.com/it/glossary/vector-database/). Forte su parafrasi e sinonimi.

I due punteggi sono su scale diverse, quindi la maggior parte dei sistemi li fonde in base alla posizione in classifica o a un punteggio normalizzato.

La **reciprocal rank fusion (RRF)**, proposta da Cormack, Clarke e Büttcher (SIGIR 2009), somma un termine per ogni lista in cui compare un documento. Elasticsearch documenta il ciclo come `score += 1.0 / (k + rank(result(q), d))`, con la rank constant `k` impostata a 60 per default. La sua documentazione dice “RRF requires no tuning.” (traduzione: la RRF non richiede tuning).

Un esempio svolto con k = 60:

| Documento | Posizione BM25 | Posizione vettoriale | Punteggio RRF |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | non trovato | 2 | 1/62 = 0,0161 |

Vince B, perché entrambi i retriever lo mettono in alto.

L’altro metodo comune è la **fusione pesata**. Il default di Weaviate dalla v1.24, `relativeScoreFusion`, normalizza i punteggi di ogni ricerca e li combina in una somma scalata. Il parametro `alpha` pesa le due parti: 0 è solo parole chiave, 1 è solo vettori e 0,75 è il default del server. La documentazione consiglia di impostare alpha in modo esplicito: il default di 0,75 vale solo quando una richiesta arriva al server senza alpha, e non tutte le librerie client lo lasciano vuoto, quindi il peso effettivo può essere diverso.

Dopo la fusione, molte pipeline aggiungono un [reranker](https://broadrouter.com/it/glossary/reranking/) sui primi risultati.

## Perché è importante

-   **Recall.** Le query reali mescolano termini esatti e formulazioni vaghe. Un solo retriever ne perde una parte.
-   **Arabo.** L’ortografia araba varia (forme di alef, ta marbuta, diacritici), e questo danneggia la corrispondenza esatta per parole chiave se il testo non viene normalizzato. Aggiungere la ricerca vettoriale offre una seconda strada verso il chunk giusto. Vedi [ricerca RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/) e [normalizzazione del testo arabo per la ricerca](https://broadrouter.com/it/blog/arabic-text-normalization-search/).
-   **Meno token.** Un retrieval migliore significa meno chunk inviati all’LLM per ogni domanda.

## Su BroadNet Inference

La ricerca ibrida gira nel tuo stack di ricerca: Elasticsearch, OpenSearch, Weaviate o simili. BroadNet non offre endpoint di embedding o di rerank, quindi genera gli embedding con un altro provider o con un modello locale. Invia i chunk migliori risultanti dalla fusione a un modello di chat BroadNet come [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) o [GLM 5.3](https://broadrouter.com/it/models/glm-5.3/) tramite la Chat Completions API. Con corpus piccoli, confronta il risultato con l’inserimento dei documenti in un contesto lungo; vedi [contesto lungo o RAG](https://broadrouter.com/it/blog/long-context-vs-rag/).

## Domande frequenti

### Perché non usare solo la ricerca vettoriale?

Gli embedding colgono il significato ma possono perdere stringhe esatte come codici prodotto, nomi e messaggi di errore. La ricerca per parole chiave le trova. Combinandole copri entrambi i tipi di query.

### Devo calibrare la RRF?

Di solito poco. La documentazione di Elasticsearch dice che la RRF non richiede tuning e che i set di risultati che combina non devono avere punteggi di rilevanza confrontabili. La sua rank constant vale 60 per default.

### Cosa significa alpha in Weaviate?

Pesa i risultati vettoriali rispetto a quelli per parole chiave. Secondo la documentazione di Weaviate, alpha 0 è solo ricerca per parole chiave, alpha 1 è solo ricerca vettoriale e il default del server è 0,75.

## Vedi anche

-   [BM25](https://broadrouter.com/it/glossary/bm25/) (termine)
-   [Embedding (embeddings)](https://broadrouter.com/it/glossary/embeddings/) (termine)
-   [Database vettoriale (vector database)](https://broadrouter.com/it/glossary/vector-database/) (termine)
-   [Reranking (riordinamento dei risultati)](https://broadrouter.com/it/glossary/reranking/) (termine)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Chunking (RAG)](https://broadrouter.com/it/glossary/chunking/) (termine)
-   [Usare LlamaIndex con BroadNet Inference tramite OpenAILike](https://broadrouter.com/it/guides/llamaindex-openailike/) (guida)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Contesto lungo o RAG: quando 1M di token sostituisce un DB vettoriale](https://broadrouter.com/it/blog/long-context-vs-rag/) (articolo)
-   [Normalizzare il testo arabo per ricerca e RAG: cosa cambiare, cosa no](https://broadrouter.com/it/blog/arabic-text-normalization-search/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-hybrid-search&utm_content=page-cta) ·

**Fonti**

-   [Cormack, Clarke e Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (verificato il 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Documentazione di Elasticsearch, reciprocal rank fusion (verificato il 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Documentazione di Weaviate, concetti della ricerca ibrida (alpha e metodi di fusione) (verificato il 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
