RAG End-to-End Architecture: 解释混合检索与融合（BM25 + 稠密 + RRF）。

Core Concept: BM25 擅长精确匹配（术语/编号），稠密擅长语义；用 RRF 或加权融合两者排名，兼顾精确与语义。

数学机理：<strong>两种检索的互补性</strong>。<strong>BM25（稀疏检索）</strong>——基于词频与逆文档频率：score(q,d)=Σ_t IDF(t)·(tf·(k₁+1))/(tf+k₁·(1−b+b·|d|/avgdl))。<strong>优势</strong>：(a) <strong>精确匹配</strong>——对术语、编号、人名、代码符号（如 'ERR_403'、'3.14159'）非常准；(b) <strong>可解释</strong>（能看出匹配了哪些词）；(c) 无需训练、无嵌入成本。<strong>劣势</strong>：无法处理同义词与语义泛化（'汽车' 查不到 '轿车'）。<strong>稠密检索</strong>——用嵌入模型编码查询与文档，按向量相似度（余弦/内积）排序。<strong>优势</strong>：(a) <strong>语义泛化</strong>——'怎么提高记忆力' 能召回 '增强记忆的方法'；(b) 处理改写与多语言。<strong>劣势</strong>：(a) 对<strong>精确匹配</strong>弱（罕见词/编号的嵌入可能不准）；(b) 需嵌入模型与向量库；(c) 可解释性差。<strong>融合方法</strong>：<strong>(1) RRF（Reciprocal Rank Fusion）</strong>——只用<strong>排名</strong>融合，不用分数：score(d)=Σ_i 1/(k + rank_i(d))，k 常取 60。<strong>为什么用排名</strong>——BM25 的分数（无界）与稠密的相似度（有界）<strong>尺度不可比</strong>，直接加权需归一化（易出错）；用<strong>排名</strong>则天然可比、且对异常分数鲁棒。<strong>优点</strong>——简单、无需调权重、效果稳健（是工业界的默认融合方法）。<strong>(2) 加权求和</strong>——把归一化后的分数加权：score=α·s_dense+(1−α)·s_sparse；需调 α（且需正确归一化）。<strong>(3) 学习式融合</strong>——用训练数据学一个融合模型（如 LambdaMART）；效果最好但需标注数据。<strong>实证</strong>——混合检索通常优于单一方法（尤其在'既有术语查询又有语义查询'的真实场景）；RRF 因简单稳健被广泛采用。<strong>与重排的关系</strong>——混合检索负责<strong>召回</strong>（高 Recall），重排负责<strong>精度</strong>（把最相关的排到前面）；两者是流水线的两个阶段。

深度剖析与工程权衡：① <strong>'RRF 用排名而非分数'是关键设计</strong>——它绕过了'不同检索器分数量纲不同'的问题；这是'简单但有效'的典范（无需调参、无需归一化）。面试中能解释这一点是加分。② <strong>'BM25 仍然重要'</strong>——很多人误以为'有了向量检索就不需要 BM25'；但<strong>精确匹配场景</strong>（产品型号、错误码、法律条文编号）BM25 明显更优。故混合检索是<strong>必需</strong>而非可选。③ <strong>k=60 的来源</strong>——RRF 的 k 控制'排名靠前的优势衰减速度'；k 越大则各排名的贡献越均匀。60 是经验值（来自原始论文），实践中不敏感。④ <strong>'召回 vs 精度'的分工</strong>——混合检索的目标是<strong>高召回</strong>（尽量不漏），重排的目标是<strong>高精度</strong>（把最相关的放前面）；故召回阶段可多取（top-100），重排后取少量（top-5）。⑤ <strong>与'多语言/跨语言'的关系</strong>——稠密检索可跨语言（用多语言嵌入模型），BM25 不能（词表不匹配）；故多语言场景需依赖稠密或专门的跨语言方案。⑥ <strong>面试要点</strong>——被问'混合检索怎么做'，应给出'<strong>BM25（精确）+ 稠密（语义）互补 + RRF 融合（用排名避免尺度问题，k≈60）</strong>'，并说明'<strong>混合检索保证召回、重排保证精度</strong>'；能指出'BM25 在精确匹配场景仍不可替代'是深度理解的标志。