为什么选择 RRF，而不采用简单加权？

核心回答

选择RRF，主要因为BM25与稠密向量的原始分数尺度、分布和含义不同，直接加权难以稳定表达两路的重要性。RRF先使用各路排名，再把同一候选的名次贡献相加，不需要先把BM25分和向量相似度校准到同一尺度，适合缺少标注数据时建立简单稳健的融合基线。

它的代价是丢掉了分数间距：第一名比第二名只高一点，和高出很多，在普通RRF中贡献差异相同。若已有可靠标注、可校准的分数或明确的通道偏好，归一化加权或学习排序也可能更合适，应在相同候选和预算下比较。

原始分数直接相加有什么问题

BM25受词频、逆文档频率、文档长度和查询词影响；向量分数取决于模型及所用距离。即便都叫“相关性分数”，数值也不天然可比，距离还可能是越小越好。

假设保持BM25路的文档顺序不变，只将它的所有分数乘以10，直接加权的融合排名就可能改变，而这一路自身并没有增加新的排序信息。此时权重既承担“重要性”，又承担“单位换算”，不便解释和迁移。

做归一化能缓解这个问题，但还需考虑每个查询的分布、异常值以及候选窗口。它不是不可用，只是需要明确校准方法和验证数据，不能看到两个数字就默认直接相加合理。

RRF怎样融合

普通RRF可写成：

score(d) = Σ 1 / (c + rank_i(d))

排名从1开始，候选未出现在某路结果中，该路贡献为0；通过稳定文档或片段ID识别同一个候选。c平滑名次差异，与各路召回条数、最终返回数量是不同参数。

例如c=60，A在两路分别排第1和第5，得分为 1/61+1/65≈0.03178；B分别排第3和第1，得分为 1/63+1/61≈0.03227，B略高。两路都支持一个候选时，贡献能够累加；不需要知道两路原始分数是多少。

实际系统可能扩展通道权重或采用不同名次起点，接入时按实现约定计算。c不是两路权重，也不存在所有项目都最优的统一常数。

什么时候值得改用加权或学习排序

某类查询明显更依赖精确关键词、不同通道质量差异较大，或者模型分数经过可靠校准时，可以比较查询路由、带权融合与排序模型。拥有足够标注数据后，也可以学习多种检索信号及业务特征之间的关系。

对比时固定两路候选、去重方式、权限过滤和上下文预算，按错误码、自然语言、实体与版本等查询类型分别检查排序指标、证据覆盖和最终答案。融合不能补回两路都没召回的内容，也不能代替权限与时效过滤。

常见追问

RRF之后还需要重排吗？ RRF组合多个检索器的意见，重排则重新判断查询与候选是否匹配，解决的问题不同。是否增加重排取决于质量增益和延迟成本。

RRF一定比加权好？ 不是。它减少了分数校准负担，但也忽略分数间距，应作为可解释基线而不是预设结论。

参考资料