检索

它是什么

检索是根据查询从一个集合中找出相关候选并排序的过程。它可以基于关键词、稠密向量、结构化条件，或组合多种信号形成混合检索。[S1][S2]

为什么需要它

RAG 无法让生成模型阅读整个知识库，必须先缩小到少量候选。检索决定正确证据有没有机会进入上下文，是后续重排和生成的上限。

它如何工作

系统解析查询，应用权限与业务过滤，在索引中召回 Top-K 候选并给出初始分数。评测常分别观察相关内容是否被召回，以及无关内容占了多少位置。

必须澄清的误会

检索 ≠ 检索增强生成。 前者只是整条链路里的第一步。RAG 还要把召回的片段拼进提示词、让模型只依据这些片段作答，并决定答案带不带出处。只把检索做好，模型照样可以拿着正确证据给出错误结论；反过来，检索漏掉了关键片段，后面的重排与生成再精细也补不回来。

检索 ≠ 关键词检索。 「检索」是这一类动作的统称，关键词只是其中一种做法。按语义召回（语义检索）能应付「出差住酒店能报多少」这类口语改写，而按字面召回（关键词检索）在订单号、金额、错误码上更可靠。在工业级检索工程中，最稳妥的实践策略往往是双路并行召回并打分融合，即直接采用混合检索。

找得到 ≠ 能用。 检索只回答「哪几段和问题相关」，不回答「哪几段是对的」。过期版本、别的权限范围的资料、以及看起来很像的反例，都会被它一视同仁地排到前面。所以检索之后通常还要有重排和权限过滤，而不是直接信 Top-1。

真实例子

查询“差旅住宿标准”时，关键词检索能命中准确术语，向量检索能覆盖“出差住酒店能报多少”等口语表达；混合检索合并两类候选。

什么时候适合与不适合

关键词适合专有名词、编号和精确短语，向量适合语义改写。只有一个小型结构化表时直接查询更清楚；不要为所有数据都增加语义检索层。

亲自试一下

从真实问题中建立二十条评测集并标注正确片段。分别运行关键词、向量和混合检索，比较 Top-3 与 Top-10 的召回率和噪声。

接下来学什么

阅读重排学习如何精细判断候选相关性，然后进入检索增强生成把证据交给模型。

来源与修订

经典索引、评分和评测框架参考 Stanford IR 教材 [S1]，稠密段落检索参考 DPR 论文 [S2]。本文把召回与最终回答质量分开评价。