Milvus 混合检索：构建下一代 RAG 与多模态应用的核心引擎

摘要：随着大语言模型（LLM）和生成式 AI 的爆发式发展，基于检索增强生成（Retrieval-Augmented Generation, RAG）的应用已成为主流架构。然而，传统单一向量检索方式在语义覆盖、关键词匹配、多模态融合等方面存在明显局限。Milvus 作为全球领先的开源向量数据库，自 v2.3 起全面支持混合检索（Hybrid Search），通过同时利用稀疏向量（Sparse Vector）与密集向量（Dense Vector），显著提升检索精度与鲁棒性。本文将系统性地剖析 Milvus 混合检索的技术原理、应用场景、工程实现细节，并结合 BGE-M3 等前沿嵌入模型，手把手演示如何构建一个高性能的混合检索系统，为 RAG 和多模态 AI 应用提供坚实底座。

---

一、引言：为什么需要混合检索？

在信息爆炸的时代，用户对搜索系统的期望早已超越“关键词匹配”。现代搜索不仅要理解“字面意思”，更要捕捉“语义意图”；不仅要返回相关结果，还要兼顾精确性与多样性。传统搜索引擎依赖倒排索引（如 Elasticsearch 的 BM25 算法），擅长处理词汇层面的匹配，但对同义词、上下文、语义相似性等无能为力。而基于神经网络的稠密向量检索（Dense Retrieval）虽能捕捉深层语义，却容易忽略关键术语的精确匹配，导致“语义漂移”问题。

例如，用户搜索“苹果手机最新款”，若仅用稠密向量检索，可能返回大量关于“水果苹果”或“苹果公司历史”的内容；若仅用稀疏向量（关键词）检索，则可能错过“iPhone 16 Pro Max”这类未显式包含“苹果手机”但高