BM25+向量混合检索与 RRF 融合

稀疏词法 (BM25 / SPLADE) 与稠密向量 (Dense Vector) 混合检索及互惠排名融合算法 (Hybrid Search & Reciprocal Rank Fusion / RRF) 是工业级企业 RAG 检索管线兼顾“专有名词精确命中”与“跨词汇语义泛化”的标准工业级基石；单一 Dense 向量对特定专有名词（如“iPhone 16 Pro Max”、“错误码 0x80070005”、“SKU-8921”）极度迟钝容易漏检，单一 BM25 无法理解同义词与多语言语义；混合检索体系：1) 并行双路召回：同时发起 Elasticsearch / BM25 倒排索引检索（召回 Top 100）与 Milvus / Qdrant HNSW 稠密向量检索（召回 Top 100）；2) 互惠排名融合 (RRF: Reciprocal Rank Fusion): 针对两路返回的不同打分体系，采用基于排名的无量纲公式进行分数融合：$\text{RRF\_Score}(d) = \sum_{m \in M} \frac{1}{k + r_m(d)}$（其中 $k=60$ 为平滑常数，$r_m(d)$ 为文档在第 $m$ 路中的排名位置），自动消除各路分数尺度差异，输出高质量融合候选集。

企业知识库问答、电商商品混合搜索、技术工单与代码仓库多模态检索。

纯向量检索在遇到专有型号或缩写时准确率急剧下降，纯关键词检索在用户提问口语化时不匹配；BM25 + Dense + RRF 融合将检索综合召回率 (Recall@K) 提升 20%~35%。

详细推导 RRF (Reciprocal Rank Fusion) 的打分公式，并解释为什么基于排名的归一化比基于原始 Score 线性加权（如 $\alpha S_{\text{bm25}} + (1-\alpha) S_{\text{dense}}$）更鲁棒？

稀疏神经检索 (Learned Sparse Retrieval / SPLADE: 词表级别稀疏权重预测) 相比传统 BM25 在词汇扩展 (Term Expansion) 上的优势？

在生产环境中，如何利用 Qdrant / Milvus 原生混合检索能力在一个引擎内部同时维护 Sparse 与 Dense 索引？

Query 意图自适应权重分流：如何识别用户 Query 属于“专有名词查找型”还是“概念推理型”，并动态调整 BM25 与 Dense 的召回比例？

大规模并发下的混合检索延迟预算：如何通过并发 `asyncio.gather` 并行请求与设定 15ms 超时截断确保检索 SLA？