本文来源公众号“Zilliz”，仅用于学术分享，侵权删，干货满满。
原文链接：https://mp.weixin.qq.com/s/HjV1FjpVjc6qt-ubyeAl-w
1 rerank如何影响业务表现
今天聊一聊我们如何做高质量rerank。
一个常识是，无论企业知识库、电商、新闻，还是RAG、agent场景，只依靠语义相似度对检索结果进行排名，无疑都是粗暴且低效的。
一方面，元数据往往包含了语义、时间、标签、地理位置等多元信息，语义并不总是最重要的那一项；
另一方面，用户检索时，往往还需要对数据按照距离远近、好评分数、复购数量等信息进行综合排序。
比如：
-
电商：付费/旗舰店商品要更靠前，缺货商品要略微靠后；
-
内容搜索：官方内容、最近发布的内容要优先；
-
企业知识库：部分标签（如“权威文档”“最佳实践”）需要被提升或者置顶。
在很多数据库的向量插件，或者早期版本的向量数据库产品中，向量检索结果排序主要依赖向量相似度本身（距离越近/相似度越高越靠前），或者通过模型类 Reranker（如 BGE, Voyage, Cohere）进行更智能的重排。但很显然，这两种方案中的任意一种，都无法解决实际场景中复杂的rerank需求。
针对这一困境，Milvus推出了Boost Ranker 功能：在 Milvus 内部，我们可以对候选结果应用一组基于元数据的“加权规则”，做到不改索引、不改向量模型，就能按照需求更新排序逻辑。
那么这个功能是如何实现的，要如何在实战中使用，本文将重点解读。
2 Boost Ranker 是什么
2.1 核心能力概览
Boost Ranker 是 Milvus 2.6.2 引入的一种 rerank 策略，通过 Function API 配置：
-
在向量检索返回的候选集合上，再执行一轮 基于过滤表达式的匹配；
-
对命中的实体按照配置的 weight（权重） 重新缩放分数；
-
引入
random_score，在 0~1 范围内生成一个随机因子，做轻量的“打散”。
相比模型类 Reranker（调用外部 LLM / rerank 模型），Boost Ranker 完全基于已有的标量字段 + 简单规则，不需要外部服务，代价低，实时性强。
2.2 内部工作机制
Boost Ranker 在 Milvus 内部的工作流程大致为：
第一步，向量检索阶段：每个 segment 独立返回一批候选结果（包含 id、原始 score、相关元数据）；
第二步，应用 Boost Ranker：
-
使用
filter表达式（可选）在候选中筛出“需要加权”的实体； -
对这些实体的分数按
weight、random_score做缩放；
第三步，再聚合所有 segment 的候选，按新的分数排序得到最终 TopK。
需要注意的是 Boost Ranker 对候选集合生效，而不是在全量数据上跑一次新查询，因此性能开销非常小。
3
什么情况下优先考虑 Boost Ranker
3.1 业务驱动的内容加权
典型场景：
-
电商搜索：
-
提升“旗舰店/自营/付费推广”商品的权重；
-
提升近期销量/点击高的商品；
-
-
内容/资讯搜索：
-
提升最近一段时间内发布的内容（结合
publish_time字段）； -
提升来源为“官方账号”“认证作者”的内容；
-
-
企业内部文档检索：
-
提升
doctype == 'policy'或is_canonical == true的权威文档。
-
这些都可以通过简单的 filter + weight 实现，无需触碰向量模型、索引。
3.2 策略性降权与风控
另一类是温柔的隐藏而不是直接过滤：
-
低库存但仍可售的商品：
stock < 10适当降权； -
含有潜在敏感词的内容：打一点折扣，但不做硬过滤；
-
过旧的文档：例如
year < 2020适当往后排。
优势是：用户仍能在某些场景看到这些结果，但它们会自然地出现在靠后位置。
3.3 探索/多样化：利用 random_score
Boost Ranker 支持 random_score 字段：
"random_score": { "seed": 126, "field": "id"}-
seed：随机数种子，控制全局一致性； -
field：作为随机数生成的输入（通常用主键），保证同一条数据多次搜索随机结果一致。
可以用它来：
-
在同一相似度的多个候选中稍微“打散”顺序，避免永远只看到相同 Top；
-
配合固定权重做 固定 + 小范围随机 的混合排序，用于推荐系统里的探索策略。
3.4 与其它 Ranker 的关系与限制
-
Boost Ranker 是通过
Function(FunctionType.RERANK, params.reranker='boost')创建的 rerank 函数； -
它不能作为多向量 hybrid search（多个向量字段一起搜）的顶层 ranker，但可以作为每个
AnnSearchRequest的 ranker 使用。 -
可以与其他 Ranker 组合：
-
比如先用 RRF Ranker 融合多模态结果，再用 Boost Ranker 做基于元数据的微调；
-
或者模型 Ranker 提升语义相关性，然后 Boost Ranker 叠加业务规则。
-
4 核心参数与使用注意事项
Boost Ranker 是通过 Function 和FunctionScore （可选）配置的。
4.1 创建 Boost Ranker 所需的字段
Python 里一般这么创建（后面实战会给完整代码）：
-
name：这个 Function 的名字； -
input_field_names：Boost Ranker 必须是空列表[]； -
function_type：固定使用FunctionType.RERANK； -
params.reranker：固定字符串"boost"，告诉 Milvus 使用 Boost Ranker。
4.2 重点参数：weight、filter、random_score
（1）params.weight（必填）
-
对所有命中 filter 的实体，将其原始分数乘以此权重；
-
选择规则和度量有关：
如果“分数越小越好”（典型是距离类度量），要 提升 某类结果，就用 < 1 的权重； 如果“分数越大越好”，要提升就用 > 1 的权重。
（2）params.filter（可选）
一条基础的标量过滤表达式，例如
-
"doctype == 'abstract'"
-
"is_premium == true"
-
"views > 1000 and category == 'tech'"
（3）params.random_score（可选）
-
结构：{"seed": 126, "field": "id"}；
-
返回 0~1 的随机值，可与 weight 配合产生轻微扰动；
-
建议同时设置 seed 与 field，保证多次请求中结果可复现。
4.3 单 Boost Ranker vs 多 Boost Ranker
-
单 Boost Ranker：
-
适合只有一条主规则，比如“提升摘要文档”“打压过旧文档”；
-
直接在
search(..., ranker=ranker)里传入即可。
-
-
多 Boost Ranker 组合：
-
boost_mode：单个函数内部如何组合原始分数与其权重（乘法/加法）； -
function_mode：多个 Boost Ranker 之间如何合并（乘法/加法）。
-
当业务有多条规则（例：优先有库存 + 轻微打压低评分 + 增加一点随机探索），可以创建多个
Function，然后通过FunctionScore组合，配置：
-
5 实战：文档检索中提升“官方”文档权重
5.1 场景设定与数据建模
假设我们有一个集合 milvus_collection，字段如下：
-
id: INT64 主键； -
embedding: FLOAT_VECTOR，content字段的embeddding数据； -
content: VARCHAR，文档内容； -
source: VARCHAR，取值如"official","community","ticket"等。 -
is_official: BOOL, 官方文档（即source是official）为True，否则是False。
5.2 创建集合与插入示例数据
from pymilvus import ( MilvusClient, DataType, Function, FunctionType,)# 1. 连接 Milvusclient = MilvusClient(uri="http://localhost:19530")collection_name = "milvus_collection"# 如果已存在就先删除，方便反复调试if collection_name in client.list_collections(): client.drop_collection(collection_name)# 2. 定义 schemaschema = MilvusClient.create_schema( auto_id=False, enable_dynamic_field=False,)schema.add_field( field_name="id", datatype=DataType.INT64, is_primary=True,)schema.add_field( field_name="content", datatype=DataType.VARCHAR, max_length=512,)schema.add_field( field_name="source", datatype=DataType.VARCHAR, max_length=32,)schema.add_field( field_name="is_official", datatype=DataType.BOOL,)schema.add_field( field_name="embedding", datatype=DataType.FLOAT_VECTOR, dim=3072,)text_embedding_function = Function( name="openai_embedding", function_type=FunctionType.TEXTEMBEDDING, input_field_names=["content"], output_field_names=["embedding"], params={ "provider": "openai", "model_name": "text-embedding-3-large" })schema.add_function(text_embedding_function)# 3. 创建 Collectionclient.create_collection( collection_name=collection_name, schema=schema,)# 4. 创建索引index_params = client.prepare_index_params()index_params.add_index( field_name="embedding", index_type="IVF_FLAT", metric_type="COSINE", params={"nlist": 16},)client.create_index( collection_name=collection_name, index_params=index_params,)# 5. 加载 Collection 到内存client.load_collection(collection_name=collection_name)docs = [ { "id": 1, "content": "如何在 Kubernetes 上部署 Milvus（官方手册）", "source": "official", "is_official": True }, { "id": 2, "content": "Milvus 在 Docker Compose 下的快速部署（官方教程）", "source": "official", "is_official": True }, { "id": 3, "content": "社区经验：Milvus部署经验之谈", "source": "community", "is_official": False }, { "id": 4, "content": "工单记录：Milvus 部署问题", "source": "ticket", "is_official": False },]client.insert( collection_name=collection_name, data=docs,)5.3 定义 Boost Ranker 并执行搜索
我们希望：在语义相关性相近的情况下，Milvus官方文档优先出现。
# 6. 基线搜索（不加 Boost Ranker）query_vector = "如何部署milvus"search_params = { "metric_type": "COSINE", "params": {"nprobe": 2},}results = client.search( collection_name=collection_name, data=[query_vector], anns_field="embedding", search_params=search_params, limit=4, output_fields=["content", "source", "is_official"],)print("=== Baseline search (no Boost Ranker) ===")for hit in results[0]: entity = hit["entity"] print( f"id={hit['id']}, " f"score={hit['distance']:.4f}, " f"source={entity['source']}, " f"is_official={entity['is_official']}" )# 7. 定义 Boost Ranker：给 is_official == true 的文档加权boost_official_ranker = Function( name="boost_official", input_field_names=[], # Boost Ranker 要求必须为空列表 function_type=FunctionType.RERANK, params={ "reranker": "boost", # 指定使用 Boost Ranker "filter": "is_official==true", # 对于 COSINE / IP（分数越大越好），使用 >1 的权重进行提升 "weight": 1.2 },)boosted_results = client.search( collection_name=collection_name, data=[query_vector], anns_field="embedding", search_params=search_params, limit=4, output_fields=["content", "source", "is_official"], ranker=boost_official_ranker,)print("\n=== Search with Boost Ranker (official boosted) ===")for hit in boosted_results[0]: entity = hit["entity"] print( f"id={hit['id']}, " f"score={hit['distance']:.4f}, " f"source={entity['source']}, " f"is_official={entity['is_official']}" )查询结果
=== Baseline search (no Boost Ranker) ===id=1, score=0.7351, source=official, is_official=Trueid=4, score=0.7017, source=ticket, is_official=Falseid=3, score=0.6706, source=community, is_official=Falseid=2, score=0.6435, source=official, is_official=True=== Search with Boost Ranker (official boosted) ===id=1, score=0.8821, source=official, is_official=Trueid=2, score=0.7722, source=official, is_official=Trueid=4, score=0.7017, source=ticket, is_official=Falseid=3, score=0.6706, source=community, is_official=False5.4 结果变化背后的逻辑
-
在原始向量相似度差距不大的前提下，is_official == true 的文档更容易出现在前几名；
-
社区 / 工单类文档仍会出现在结果中，只是相对靠后。
-
这正是 Boost Ranker 要解决的问题：把“官方优先”等业务规则叠加到语义检索结果上。
总结
Boost Ranker作为Milvus 2.6的新功能，极大地扩展了向量数据库的灵活性，让搜索不再局限于纯向量相似度，而是能融入业务逻辑，实现更精准的排名。
通过本文的介绍和更真实的实践案例，读者可以快速理解并应用这一功能。在未来，随着AI应用的深化，Boost Ranker将在RAG、推荐和检索系统中发挥更大作用。
THE END !
文章结束，感谢阅读。您的点赞，收藏，评论是我继续更新的动力。大家有推荐的公众号可以评论区留言，共同学习，一起进步。
扫一扫
1715
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
