BroadRouter

Busca híbrida (hybrid search)

Atualizado em

Busca híbrida é um método de recuperação que executa, na mesma consulta, uma busca por palavras-chave, como BM25, e uma busca vetorial sobre embeddings, e depois funde as duas listas ranqueadas em uma só, muitas vezes com reciprocal rank fusion (RRF) ou com uma soma ponderada de scores normalizados.

Também chamado de: busca híbrida, pesquisa híbrida, recuperação híbrida, busca híbrida RAG, fusão de rankings, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

A busca por palavras-chave encontra as palavras exatas. A busca vetorial encontra o significado. A busca híbrida executa as duas e junta os resultados.

Como funciona

A consulta vai para dois retrievers ao mesmo tempo:

  • Palavras-chave: BM25 sobre um índice invertido. Forte em nomes, códigos e termos raros.
  • Vetorial: vizinhos mais próximos entre os embeddings em um banco de dados vetorial. Forte em paráfrases e sinônimos.

Os dois scores estão em escalas diferentes, então a maioria dos sistemas faz a fusão pela posição no ranking ou por um score normalizado.

O reciprocal rank fusion (RRF), de Cormack, Clarke e Büttcher (SIGIR 2009), soma um termo para cada lista em que um documento aparece. O Elasticsearch documenta o laço como score += 1.0 / (k + rank(result(q), d)), com a rank constant k igual a 60 por padrão. A documentação diz “RRF requires no tuning.” (tradução: o RRF não exige ajuste).

Um exemplo resolvido com k = 60:

Documento Posição no BM25 Posição vetorial Score RRF
A 1 3 1/61 + 1/63 = 0,0323
B 2 1 1/62 + 1/61 = 0,0325
C não encontrado 2 1/62 = 0,0161

B vence porque os dois retrievers o colocam no alto.

A fusão ponderada é o outro método comum. O padrão do Weaviate desde a v1.24, relativeScoreFusion, normaliza os scores de cada busca e os combina em uma soma escalada. O parâmetro alpha pondera os dois lados: 0 é só palavras-chave, 1 é só vetores e 0,75 é o padrão do servidor. A documentação recomenda definir alpha explicitamente: o padrão de 0,75 só vale quando uma requisição chega ao servidor sem alpha, e nem toda biblioteca cliente o deixa sem valor, então a ponderação real pode ser outra.

Depois da fusão, muitos pipelines adicionam um reranker sobre os primeiros resultados.

Por que importa

  • Recall. Consultas reais misturam termos exatos e formulações vagas. Um único retriever perde parte delas.
  • Árabe. A grafia do árabe varia (formas do alef, ta marbuta, diacríticos), o que atrapalha a correspondência exata por palavras-chave se o texto não for normalizado. Adicionar a busca vetorial abre um segundo caminho até o chunk certo. Veja busca RAG em árabe e normalização de texto árabe para busca.
  • Menos tokens. Uma recuperação melhor significa menos chunks enviados ao LLM por pergunta.

Na BroadNet Inference

A busca híbrida roda na sua stack de busca: Elasticsearch, OpenSearch, Weaviate ou similares. A BroadNet não oferece endpoints de embeddings nem de rerank, então gere os embeddings com outro provedor ou com um modelo local. Envie os melhores chunks resultantes da fusão a um modelo de chat da BroadNet, como o Qwen3.8 27B ou o GLM 5.3, pela Chat Completions API. Para corpora pequenos, compare com colocar os documentos em um contexto longo; veja contexto longo vs. RAG.

Perguntas frequentes

Por que não usar só a busca vetorial?

Embeddings capturam o significado, mas podem perder strings exatas como códigos de produto, nomes e mensagens de erro. A busca por palavras-chave encontra essas. Combinar as duas cobre os dois tipos de consulta.

Preciso ajustar o RRF?

Normalmente pouco. A documentação do Elasticsearch diz que o RRF não exige ajuste e que os conjuntos de resultados combinados não precisam ter scores de relevância comparáveis. A rank constant tem valor padrão 60.

O que significa alpha no Weaviate?

Ele pondera os resultados vetoriais contra os de palavras-chave. Segundo a documentação do Weaviate, alpha 0 é só busca por palavras-chave, alpha 1 é só busca vetorial e o padrão do servidor é 0,75.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity