两路检索的差别
向量检索把文本编码成向量比语义相似度，擅长同义改写、口语化提问与跨表述的语义匹配；关键词检索（BM25 等）按词频与逆文档频率打分，擅长专有名词、型号、错误码、人名等需要精确命中的内容。两者失败的方式不同：向量容易在专名上漂移，关键词容易在换一种说法时漏掉。
基本信息
| 向量路 | embedding 模型 + 向量库，语义近似召回 |
|---|
| 关键词路 | 倒排索引，Elasticsearch / OpenSearch / pg 全文检索均可 |
|---|
| 中文前提 | 必须选好分词器：IK、jieba（结巴分词）等，分词粒度直接影响效果 |
|---|
| 评估重点 | 分别统计两路在自有问题集上的召回率，确认互补再融合 |
|---|
维度对比
| 维度 | 向量检索 | 关键词 / BM25 |
|---|
| 匹配方式 | 语义相似 | 字面命中 |
| 同义改写 | 表现好 | 容易漏 |
| 专名 / 编号 / 错误码 | 可能漂移 | 稳定 |
| 索引更新 | 需重新向量化 | 倒排更新 |
| 冷启动 | 依赖 embedding 质量 | 直接依赖词频统计 |
症状与对策
- 用户换一种说法就搜不到：加向量路，关键词路的字面依赖太强
- 问「ERR-5021 怎么处理」命中一堆无关文档：加关键词路并提高其权重
- 同一份文档的新旧版本同时被召回：靠元数据过滤解决，与检索方式无关
- 关键词路结果噪声高：先检查分词器与停用词表，再考虑降低该路权重
- 两路结果高度重叠：说明语料表述统一，此时融合增益有限，可只保留一路降低成本
组合方式
| 组合 | 做法 | 代价 |
|---|
| 并行融合 | 两路各取候选后按排名合并（如 RRF） | 多一次查询与融合逻辑，延迟略增 |
| 串行兜底 | 向量为主，命中不足时补关键词路 | 实现简单，但关键词路的优势发挥不充分 |
| 引擎内混合 | Elasticsearch 等在一次查询内做混合打分 | 运维集中，权重与归一化受引擎约束 |
中文场景 BM25 的效果强依赖分词器，分词粒度要兼顾召回与噪声；把业务专名加入自定义词典，通常比调权重更有效。
