---
title: "Hybrid search là gì? BM25 kết hợp vector và RRF | BroadRouter"
description: "Hybrid search kết hợp tìm kiếm từ khóa như BM25 với tìm kiếm vector rồi gộp thứ hạng, thường bằng RRF. Cách hoạt động và vì sao nó giúp RAG tốt hơn."
url: https://broadrouter.com/vi/glossary/hybrid-search/
lang: vi
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/hybrid-search/) (cập nhật ngày 2026-11-16).

# Hybrid search (tìm kiếm lai)

Cập nhật 2026-11-16

Hybrid search là phương pháp truy xuất chạy cả tìm kiếm từ khóa như BM25 lẫn tìm kiếm vector trên embedding cho cùng một truy vấn, rồi gộp hai danh sách xếp hạng làm một, thường bằng reciprocal rank fusion (RRF) hoặc tổng có trọng số của điểm đã chuẩn hóa.

Còn gọi là: hybrid search là gì, tìm kiếm lai, tìm kiếm kết hợp, hybrid search RAG, hợp nhất thứ hạng nghịch đảo, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

Tìm kiếm từ khóa tìm đúng các từ. Tìm kiếm vector tìm theo ý nghĩa. Hybrid search chạy cả hai và gộp kết quả lại.

## Cách hoạt động

Truy vấn được gửi tới hai bộ truy xuất cùng lúc:

-   **Từ khóa**: [BM25](https://broadrouter.com/vi/glossary/bm25/) trên chỉ mục ngược (inverted index). Mạnh với tên riêng, mã và thuật ngữ hiếm.
-   **Vector**: tìm láng giềng gần nhất trên [embedding](https://broadrouter.com/vi/glossary/embeddings/) trong một [vector database](https://broadrouter.com/vi/glossary/vector-database/). Mạnh với cách diễn đạt khác và từ đồng nghĩa.

Hai loại điểm nằm trên thang đo khác nhau, nên đa số hệ thống gộp theo thứ hạng hoặc theo điểm đã chuẩn hóa.

**Reciprocal rank fusion (RRF)** của Cormack, Clarke và Büttcher (SIGIR 2009) cộng thêm một số hạng cho mỗi danh sách mà tài liệu xuất hiện. Elasticsearch mô tả vòng lặp là `score += 1.0 / (k + rank(result(q), d))`, với hằng số thứ hạng `k` mặc định là 60. Tài liệu của họ viết “RRF requires no tuning.” (Bản dịch: RRF không cần tinh chỉnh.)

Ví dụ tính với k = 60:

| Tài liệu | Hạng BM25 | Hạng vector | Điểm RRF |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0.0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0.0325 |
| C | không tìm thấy | 2 | 1/62 = 0.0161 |

B thắng vì cả hai bộ truy xuất đều xếp nó ở thứ hạng cao.

**Hợp nhất có trọng số** là phương pháp phổ biến còn lại. Mặc định của Weaviate từ v1.24, `relativeScoreFusion`, chuẩn hóa điểm của từng lượt tìm kiếm rồi cộng chúng theo tỉ lệ. Thiết lập `alpha` quyết định trọng số giữa hai bên: 0 là chỉ từ khóa, 1 là chỉ vector, và 0.75 là mặc định của server. Tài liệu khuyên nên đặt alpha một cách tường minh: mặc định 0.75 chỉ áp dụng khi request tới server mà không có alpha, và không phải thư viện client nào cũng để trống giá trị này, nên trọng số thực tế có thể khác.

Sau bước hợp nhất, nhiều pipeline thêm một [reranker](https://broadrouter.com/vi/glossary/reranking/) trên các kết quả đứng đầu.

## Vì sao quan trọng

-   **Recall.** Truy vấn thực tế trộn lẫn thuật ngữ chính xác và cách diễn đạt lỏng. Một bộ truy xuất đơn lẻ sẽ bỏ sót một phần.
-   **Tiếng Ả Rập.** Chính tả tiếng Ả Rập có nhiều biến thể (các dạng alef, ta marbuta, dấu phụ), làm việc khớp từ khóa chính xác kém đi nếu văn bản không được chuẩn hóa. Thêm tìm kiếm vector cho bạn một đường thứ hai tới đúng chunk. Xem [tìm kiếm RAG tiếng Ả Rập](https://broadrouter.com/vi/blog/arabic-rag-search/) và [chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm](https://broadrouter.com/vi/blog/arabic-text-normalization-search/).
-   **Ít token hơn.** Truy xuất tốt hơn nghĩa là mỗi câu hỏi gửi ít chunk hơn tới LLM.

## Trên BroadNet Inference

Hybrid search chạy trong hệ thống tìm kiếm của bạn: Elasticsearch, OpenSearch, Weaviate hoặc tương tự. BroadNet không cung cấp endpoint embedding hay rerank, nên hãy tạo embedding bằng nhà cung cấp khác hoặc một model chạy cục bộ. Gửi các chunk đứng đầu sau khi gộp tới một model chat của BroadNet như [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) hoặc [GLM 5.3](https://broadrouter.com/vi/models/glm-5.3/) qua Chat Completions API. Với kho tài liệu nhỏ, hãy so sánh với cách đưa thẳng tài liệu vào một context dài; xem [long context và RAG](https://broadrouter.com/vi/blog/long-context-vs-rag/).

## Câu hỏi thường gặp

### Sao không dùng mỗi tìm kiếm vector?

Embedding khớp theo nghĩa nhưng có thể bỏ sót chuỗi chính xác như mã sản phẩm, tên riêng và thông báo lỗi. Tìm kiếm từ khóa bắt được những thứ đó. Kết hợp cả hai thì xử lý được cả hai loại truy vấn.

### Có cần tinh chỉnh RRF không?

Thường là không nhiều. Tài liệu Elasticsearch nói RRF không cần tinh chỉnh và các tập kết quả được gộp không cần có điểm liên quan (relevance score) so sánh được với nhau. Hằng số thứ hạng mặc định là 60.

### Alpha trong Weaviate nghĩa là gì?

Nó là trọng số giữa kết quả vector và kết quả từ khóa. Tài liệu Weaviate nói alpha 0 là chỉ tìm kiếm từ khóa, alpha 1 là chỉ tìm kiếm vector, và mặc định của server là 0.75.

## Xem thêm

-   [BM25](https://broadrouter.com/vi/glossary/bm25/) (thuật ngữ)
-   [Embedding (vector nhúng)](https://broadrouter.com/vi/glossary/embeddings/) (thuật ngữ)
-   [Vector database (cơ sở dữ liệu vector)](https://broadrouter.com/vi/glossary/vector-database/) (thuật ngữ)
-   [Reranking (xếp hạng lại)](https://broadrouter.com/vi/glossary/reranking/) (thuật ngữ)
-   [RAG (tạo sinh tăng cường truy xuất)](https://broadrouter.com/vi/glossary/rag/) (thuật ngữ)
-   [Chunking (RAG)](https://broadrouter.com/vi/glossary/chunking/) (thuật ngữ)
-   [Dùng LlamaIndex với BroadNet Inference qua OpenAILike](https://broadrouter.com/vi/guides/llamaindex-openailike/) (hướng dẫn)
-   [RAG tiếng Ả Rập: chuẩn hóa, chia chunk và truy xuất hiệu quả](https://broadrouter.com/vi/blog/arabic-rag-search/) (bài viết)
-   [Long context và RAG: khi 1M token thay được vector DB](https://broadrouter.com/vi/blog/long-context-vs-rag/) (bài viết)
-   [Chuẩn hóa văn bản tiếng Ả Rập cho tìm kiếm và RAG: đổi gì, giữ gì](https://broadrouter.com/vi/blog/arabic-text-normalization-search/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [Cormack, Clarke và Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (kiểm tra ngày 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Tài liệu Elasticsearch, reciprocal rank fusion (kiểm tra ngày 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Tài liệu Weaviate, khái niệm hybrid search (alpha và các phương pháp hợp nhất) (kiểm tra ngày 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
