---
title: "O que é busca híbrida? BM25 mais vetores com RRF | BroadRouter"
description: "A busca híbrida combina busca por palavras-chave, como BM25, com busca vetorial e funde os rankings, muitas vezes com RRF. Como funciona e por que ajuda no RAG."
url: https://broadrouter.com/pt/glossary/hybrid-search/
lang: pt-BR
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/hybrid-search/) (atualizado em 2026-11-16).

# Busca híbrida (hybrid search)

Atualizado em 2026-11-16

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](https://broadrouter.com/pt/glossary/bm25/) sobre um índice invertido. Forte em nomes, códigos e termos raros.
-   **Vetorial**: vizinhos mais próximos entre os [embeddings](https://broadrouter.com/pt/glossary/embeddings/) em um [banco de dados vetorial](https://broadrouter.com/pt/glossary/vector-database/). 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](https://broadrouter.com/pt/glossary/reranking/) 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](https://broadrouter.com/pt/blog/arabic-rag-search/) e [normalização de texto árabe para busca](https://broadrouter.com/pt/blog/arabic-text-normalization-search/).
-   **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](https://broadrouter.com/pt/models/qwen3.8-27b/) ou o [GLM 5.3](https://broadrouter.com/pt/models/glm-5.3/), pela Chat Completions API. Para corpora pequenos, compare com colocar os documentos em um contexto longo; veja [contexto longo vs. RAG](https://broadrouter.com/pt/blog/long-context-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.

## Veja também

-   [BM25](https://broadrouter.com/pt/glossary/bm25/) (termo)
-   [Embeddings](https://broadrouter.com/pt/glossary/embeddings/) (termo)
-   [Banco de dados vetorial (vector database)](https://broadrouter.com/pt/glossary/vector-database/) (termo)
-   [Reranking (reordenação de resultados)](https://broadrouter.com/pt/glossary/reranking/) (termo)
-   [RAG (geração aumentada por recuperação)](https://broadrouter.com/pt/glossary/rag/) (termo)
-   [Chunking (RAG)](https://broadrouter.com/pt/glossary/chunking/) (termo)
-   [Usar o LlamaIndex com a BroadNet Inference via OpenAILike](https://broadrouter.com/pt/guides/llamaindex-openailike/) (guia)
-   [RAG em árabe: normalização, chunking e retrieval que funcionam](https://broadrouter.com/pt/blog/arabic-rag-search/) (artigo)
-   [Contexto longo vs RAG: quando 1M de tokens substitui um banco vetorial](https://broadrouter.com/pt/blog/long-context-vs-rag/) (artigo)
-   [Normalizar texto em árabe para busca e RAG: o que mudar e o que não](https://broadrouter.com/pt/blog/arabic-text-normalization-search/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

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

**Fontes**

-   [Cormack, Clarke e Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (verificado em 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Documentação do Elasticsearch, reciprocal rank fusion (verificado em 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Documentação do Weaviate, conceitos de busca híbrida (alpha e métodos de fusão) (verificado em 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
