Carian kata kunci mencari perkataan yang tepat. Carian vektor mencari maknanya. Carian hibrid menjalankan kedua-duanya dan menggabungkan hasilnya.
Cara ia berfungsi
Pertanyaan dihantar kepada dua retriever serentak:
- Kata kunci: BM25 ke atas indeks songsang. Kuat pada nama, kod dan istilah yang jarang.
- Vektor: jiran terdekat ke atas embedding dalam pangkalan data vektor. Kuat pada parafrasa dan sinonim.
Kedua-dua skor berada pada skala berbeza, jadi kebanyakan sistem menggabungkannya mengikut kedudukan atau skor yang dinormalkan.
Reciprocal rank fusion (RRF), daripada Cormack, Clarke dan Büttcher (SIGIR 2009), menjumlahkan satu sebutan bagi setiap senarai yang mengandungi sesuatu dokumen. Elasticsearch mendokumenkan gelungnya sebagai score += 1.0 / (k + rank(result(q), d)), dengan pemalar kedudukan k lalai kepada 60. Dokumentasinya menyatakan “RRF requires no tuning.” (Terjemahan BroadRouter: “RRF tidak memerlukan penalaan.”)
Contoh pengiraan dengan k = 60:
| Dokumen | Kedudukan BM25 | Kedudukan vektor | Skor RRF |
|---|---|---|---|
| A | 1 | 3 | 1/61 + 1/63 = 0.0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0.0325 |
| C | tidak ditemui | 2 | 1/62 = 0.0161 |
B menang kerana kedua-dua retriever meletakkannya di kedudukan tinggi.
Fusion berwajaran ialah kaedah lazim yang satu lagi. Kaedah lalai Weaviate sejak v1.24, relativeScoreFusion, menormalkan skor setiap carian dan menggabungkannya sebagai jumlah berskala. Tetapan alpha menentukan wajaran kedua-duanya: 0 ialah kata kunci sahaja, 1 ialah vektor sahaja, dan 0.75 ialah nilai lalai pelayan. Dokumentasinya mengesyorkan menetapkan alpha secara eksplisit: nilai lalai 0.75 hanya terpakai apabila permintaan sampai ke pelayan tanpa alpha, dan bukan setiap pustaka klien membiarkannya tanpa nilai, jadi wajaran sebenar boleh berbeza.
Selepas fusion, banyak pipeline menambah reranker ke atas hasil teratas.
Mengapa ia penting
- Recall. Pertanyaan sebenar mencampurkan istilah tepat dan susunan kata yang longgar. Satu retriever sahaja akan terlepas sebahagian daripadanya.
- Bahasa Arab. Ejaan Arab berbeza-beza (bentuk alif, ta marbuta, baris), dan ini menjejaskan padanan kata kunci tepat kecuali teks dinormalkan. Menambah carian vektor memberi laluan kedua ke chunk yang betul. Lihat carian RAG Arab dan penormalan teks Arab untuk carian.
- Kurang token. Dapatan semula yang lebih baik bermakna lebih sedikit chunk dihantar kepada LLM bagi setiap soalan.
Di BroadNet Inference
Carian hibrid berjalan dalam susunan carian anda: Elasticsearch, OpenSearch, Weaviate atau yang seumpamanya. BroadNet tidak menawarkan endpoint embedding atau rerank, jadi hasilkan embedding dengan penyedia lain atau model tempatan. Hantar chunk teratas yang telah digabungkan kepada model chat BroadNet seperti Qwen3.8 27B atau GLM 5.3 melalui Chat Completions API. Untuk korpus kecil, bandingkan dengan meletakkan dokumen dalam konteks panjang; lihat konteks panjang vs RAG.