向量检索与关键词检索有什么区别？

核心回答

两者的主要区别是怎样判断相关：关键词检索以词项匹配为基础，向量检索以向量空间中的相似度为基础。 在 RAG 中，向量检索通常指用 Embedding 模型生成稠密向量做语义召回。

• 关键词检索：对文本进行分词等分析，通过倒排索引找到命中词项的文档，再用 BM25 等算法排序，适合错误码、产品型号和专有名词。
• 向量检索：把问题和文档编码到兼容的向量空间，按余弦相似度、内积等度量找相近片段，适合用户换一种说法、文档却没有相同关键词的情况。

例如，“E1042 怎么处理”需要重视错误码命中；“刚登录不久就被迫退出”可能需要匹配“令牌过期排查”。两类信号可以互补，选择时要看查询特点、召回质量和成本；任何一种相关性分数都不能直接证明文档事实正确。

沿着两个查询往下看：错误码适合精确匹配词项，换一种说法的问题则可借助向量寻找语义相关内容。图中同时列出两条检索链路、各自容易遗漏的情况，以及候选合并的位置。

两类检索分别怎样工作？

关键词检索：匹配分析后的词项

建立索引时，系统把文本转成词项，并记录每个词项出现在哪些文档中，这就是倒排索引。查询也经过相应分析，再定位候选文档。BM25 结合词项在文档中的频次、在整个语料中的稀有程度以及文档长度计算相关性；同一个词反复出现，收益会逐渐饱和。

因此，关键词检索不要求整句一字不差。匹配多少词项、是否考虑词序，取决于查询类型与配置。分词、大小写归一化、同义词等也会改变匹配结果。例如配置“退钱、退款”为同义词后，两种说法可以建立联系。对于错误码，还要检查分析器是否把编号拆坏，必要时增加保留完整编码的字段或精确条件。Elastic 的 Match 文档给出了词项组合和同义词扩展的具体行为。

这一路径的优势是命中原因容易检查，词项、字段与业务规则也便于控制。它的主要短板是：用户表达与文档用词差异较大、又没有相应扩展时，相关内容可能进不了候选池。

向量检索：匹配模型学到的表示

文档片段预先编码、建立向量索引；查询时只需生成问题向量，再寻找相近的文档向量。模型经过相关训练后，有机会把“退款规则”和“怎么退钱”映射到相近位置，减少对字面重合的依赖。这里的语义能力主要来自 Embedding 模型，向量库负责存储、索引和搜索。

这也带来两层误差：模型表示可能分不清相似主题中的关键条件；使用 HNSW 等近似索引时，还可能漏掉部分本应靠前的近邻。编码配置、距离度量、切块和索引参数都要一起检查。换一个向量库，通常不会自动修复模型把两个错误码混淆的问题。

用同一个运维问题看取舍

假设知识库里有“E1042：令牌过期处理”“E1402：签名校验失败”和“登录会话管理”三篇文档。

用户输入“E1042 怎么处理”时，词法通道能够保留这一关键标识；向量通道可能找到更多登录排障背景，也可能把相似编码对应的文档排在前面。用户只描述“登录后很快又要求重新登录”时，语义通道更有机会跨过措辞差异，但仍需要核对究竟是哪种故障。这个例子说明两类信号怎样互补；具体排序仍由模型、分析器和数据决定。

如果任务要求指定产品、版本或租户范围，应把这些条件交给元数据过滤或精确字段约束。选型时，在同一知识库上按错误码查询、自然语言改写等类别比较正确证据是否被召回、排名和延迟，再决定是否混合两路结果。检索后怎样使用原文，可结合RAG 从知识入库到在线问答的完整流程理解。

两路结果怎样融合、何时加入重排，可继续看向量检索、BM25、重排在混合 RAG 中如何配合。

常见追问

稀疏向量就是 BM25 吗？ 不是。稀疏向量描述表示形式，BM25 是词项相关性算法；TF-IDF 和模型学习到的稀疏权重也可以形成稀疏表示。BGE-M3 同时提供稠密表示与稀疏词项权重，不能把它的稀疏检索直接称为 BM25。

向量检索一定更慢、更贵吗？ 不能一概而论。它通常增加文档及查询编码的开销，但查询延迟还取决于索引、缓存、过滤和规模。应在相同数据、召回目标与并发条件下测量，而不是只按算法名称判断。

对应教程

参考资料