两种检索各自擅长什么
向量检索把文本压成向量，比的是语义距离：问「怎么压缩图片体积」，它能召回讲「减小图片文件大小」的段落，即使两者没有一个字相同。
代价是：它对精确字面不敏感。查产品编号、错误码、罕见专有名词时，向量可能把「长得像」的内容排在前面，而把真正包含那个编号的段落漏在后面。
关键词检索（BM25 一类）恰好相反：它统计词频与逆文档频率，字面命中权重高，查编号、查术语一次就中；但它不理解同义改写，问「减小文件大小」就找不到只写「压缩图片体积」的段落。
混合检索的做法
- 两路召回：同一个查询分别走向量与关键词检索，各取前 N 条（例如各 50 条）；
- 分数归一化：两路分数量纲不同，必须先归一化（或改用排名倒数 RRF），否则一路会凭数值大小压倒另一路；
- 合并去重：按文档 ID 合并，同一篇被两路都召回的，通常更可信；
- 重排（可选）：用更贵的模型对合并后的候选做精排，取最终前 K 条。
三种合并方式的取舍
- 加权求和：实现最简单，但权重需要按语料调，换一个语料往往要重调；
- RRF（排名倒数融合）：只用排名不用分数，跨路可比、免调参，工程上最省心，缺点是丢掉了分数强弱信息；
- 学习式融合：效果上限更高，但需要标注数据与持续维护，小团队往往不划算。
常见坑
- 只调一路：把权重压到 0.9 以上，等于退化成单路检索，混合的意义就没了；
- 忘了归一化：向量余弦相似度多在 0.7~0.9，BM25 分数动辄几十，直接相加等于只看 BM25；
- 切分粒度不一致：两路用不同切分，合并时对不上同一段落，去重会失效；
- 把重排当召回：重排只能在候选里选，候选阶段漏掉的文档，后面再贵也找不回来。
什么时候不必上混合
如果查询几乎都是自然语言长问句、语料里也少有编号与专有名词，纯向量检索通常够用。先看真实查询日志再决定，不要因为「混合听起来更强」就默认加上——多一路就多一份索引维护与延迟成本。