混合检索权重如何配置？
未标记
考查重点：融合权重与分数校准。固定候选集试权重或 RRF，按问题类型观察召回/排序与最终答案；原始分数先校准，避免大分值一路支配
本题目录
参考答案
核心回答
先确定系统采用分数加权还是排名融合，再调权重。分数加权需要先统一分数方向并归一化，避免 BM25 与向量相似度的量纲差异主导排序；RRF 则根据各路名次融合，可以直接调整各路的排名贡献。
配置时可从语义、关键词等权开始，固定知识库、候选集和重排配置，用同一批问题比较几组权重。型号、错误码等精确查询重点看关键词结果是否被保留，同义改写问题重点看语义召回；同时检查正确证据的排名、最终答案和延迟。权重由分组评测决定，没有适用于所有知识库的固定比例。
两种融合方式的权重含义不同
分数加权可以写成：
$$ S(d)=\alpha,\hat{s}{\text{vector}}(d)+(1-\alpha),\hat{s}{\text{keyword}}(d) $$
其中，带帽分数表示经过归一化、且都以高分表示更相关的得分。这里约定 $\alpha$ 是向量权重，具体产品的参数方向要按其定义确认。归一化方法也影响结果，例如按当前候选集做 min-max 会保留分数差距，但候选集变化也会改变归一化值。阿里云混合搜索说明、Weaviate 融合策略。
加权 RRF 可以写成：
$$ S(d)=\sum_{i:,d\in L_i}\frac{w_i}{c+\operatorname{rank}_i(d)} $$
$L_i$ 是第 $i$ 路候选列表，$w_i$ 控制该路贡献，名次从 1 开始；未被某一路召回的文档不从该路获得贡献。$c$ 是平滑参数，与每路召回多少条是两个不同参数。RRF 无需将原始分数换到同一尺度，代价是忽略原始得分之间的差距。Azure RRF 机制。
两种方式里的权重都表示排序贡献，最终来自某一路的结果比例还取决于候选数量、名次以及两路重合情况。
实际怎样调
- 先保住候选覆盖。 分别测试向量、关键词和混合召回，确认正确证据是否进入候选池。若错误码被分词拆坏，或正文根本没有入库，应先处理这些问题；调整融合权重不能找回两路都没召回的证据。
- 固定条件比较权重。 在同一批已保存的候选列表上比较权重，例如向量权重取
0.3、0.5、0.7，观察精确匹配、语义问法与混合问题各自的命中和排序。这只是试验取点；选出方案后，还要在未参与调参的问题上复核，避免只适合少数样例。 - 再验证完整链路。 分开记录候选池的证据覆盖、融合后的排名、重排后的排名和最终引用。可用命中率看是否找对证据，用
MRR看第一个正确证据排得多靠前，再检查答案是否得到引用支撑，以及重排耗时和Token成本。
候选数、融合权重、过滤阈值和最终引用量各有职责：候选数影响召回覆盖，权重改变候选顺序，阈值按指定分数剔除低相关结果，引用量控制模型读取的内容。需要单独确认阈值作用于哪种分数，不能把向量相似度阈值直接当成融合分数或重排分数阈值。
FastGPTTypeScript
基于 FastGPT核心回答
FastGPT 的默认文本检索流程在选择 mixedRecall 后，同时召回向量结果与全文结果，通过 embeddingWeight 控制加权 RRF：向量一路用 $w$，全文一路用 $1-w$。它融合的是名次贡献，不是把原始向量分数与全文分数按比例相加。
调参时需要把两种权重分开：embeddingWeight 控制向量与全文的融合；rerankWeight 控制原召回排名与模型重排排名的融合。最低相关度 similarity 是否生效，还取决于搜索模式和重排是否成功；最终引用量由 limit 的 Token 预算控制。
双路召回与融合
countRecallLimit() 在混合模式中将向量和全文候选上限分别设为 80、60；多查询结果先在各自通道内合并，再分别截到该上限。这些是当前实现的候选配置，不是最终引用条数。候选数量、通道内合并。
服务函数中 embeddingWeight 缺省为 0.5。两路都有结果且参与融合时，datasetSearchResultConcat() 按数据块标识合并，累加：
$$ S(d)=\frac{w}{60+r_{\text{vector}}(d)}+\frac{1-w}{60+r_{\text{fulltext}}(d)} $$
其中，$r$ 表示该通道中从 1 开始的名次，只计入该数据块实际出现的通道。这里的 60 是源码中的平滑常数；若仅剩一路有效列表，函数直接返回该列表。权重传入、RRF 实现。
重排、阈值和引用上限
重排需要开启 usingReRank，并有有效查询和重排模型。文本候选去重后交给模型；rerankWeight 缺省为 0.5，模型重排结果与原融合结果再做一次加权 RRF。设为 1 时采用模型重排列表；重排失败则回退到原召回列表，并返回 usingReRank=false。重排启用条件、重排融合与失败回退。
最终先做内容去重，再处理阈值和引用预算。有效重排时，带 reRank 分数的结果按该分数与 similarity 比较，缺少这类分数的结果保留；未有效重排时，只有纯向量模式按向量分数过滤，混合模式不启用这项最低相关度过滤。因此，混合搜索里只提高 similarity，未必会减少结果，需要同时检查实际返回的 usingReRank 和 usingSimilarityFilter。过滤条件。
随后按 limit 控制引用的 Token 预算。该实现按块累计并保留跨过预算的当前块，因此不是严格逐 Token 截断，也不能用增大 limit 代替扩大召回候选池。最终处理顺序、引用预算处理。
用什么问题验证
例如在供应商准入资料库中，分别准备“ISO 9001 证书需要提交哪些材料”和“质量管理资质怎么准备”这类问题。先固定重排、问题扩展与引用预算，只调整 embeddingWeight，检查对应资料条款能否进入前列；再独立调整 rerankWeight，观察精确标准名称有没有被相近资质说明挤掉。
如果文档已在候选池中但融合后靠后，才针对权重比较；若候选池没有对应文档，则回查索引、全文分词、查询与集合过滤。上述答法针对文本混合检索，图片描述和图片向量在该版本中还有独立融合分支。
对应教程
- 《从零开始学 AI 智能体》第 19 章：RAG 检索增强生成：参考混合检索、重排与问题—期望证据回归的分工；本文补充融合公式和具体权重调试。
- 第 18 章：向量数据库与 Embedding 实战：参考元数据过滤、混合召回和候选重排的区别。
参考资料
- 国内：JavaGuide：RAG 系统优化：参考按查询类型保留关键词或语义信号、区分候选覆盖与排序问题，以及命中率、
MRR和答案引用的分层评测。 - 国内：Datawhale：混合检索：参考稠密与稀疏检索互补，以及原始分数加权和倒数排名融合的不同含义。
- 国内：阿里云：AI 搜索—混合搜索：参考得分归一化后加权的必要性，以及按关键词和自然语言查询侧重调整权重的做法。
- 国内：FastGPT：知识库搜索方案和参数：参考语义、全文、混合检索与结果重排的职责，以及最低相关度和引用上限的适用范围；具体顺序按上方固定源码说明。
- 国外：Microsoft：Hybrid Search Scoring with RRF：参考按名次融合、平滑参数与召回数量相互独立，以及融合分数与模型重排分数分开理解。
- 国外：Weaviate：Hybrid search：参考分数融合保留原始得分差距、排名融合舍弃差距的取舍，以及归一化和权重参数对结果的影响。
