混合检索（Hybrid Search）：构建下一代 AI 搜索与 RAG 系统的核心范式

摘要：在大语言模型（LLM）与生成式人工智能（AIGC）席卷全球的今天，信息检索系统正经历一场深刻的范式革命。传统的关键词匹配（如 BM25）虽精准却缺乏语义理解能力，而基于稠密向量的语义搜索虽能捕捉深层含义却易忽略关键术语。混合检索（Hybrid Search）——融合稀疏（Sparse）与稠密（Dense）两种表示方法的检索策略——应运而生，成为提升召回率、准确率与鲁棒性的关键技术。本文将从理论基础、技术演进、主流实现（包括 Elasticsearch、Milvus、Vespa、Pinecone 等）、应用场景（RAG、多模态、电商推荐等）到工程实践，系统性地剖析混合检索的全貌，并结合 BGE-M3、ColBERT、SPLADE 等前沿模型，手把手演示如何构建一个高性能混合检索系统。全文超过 8000 字，旨在为 AI 工程师、搜索架构师与研究者提供一份权威指南。

---

一、引言：为什么单一检索范式已不够用？

想象这样一个场景：用户在电商平台搜索“苹果手机最新款”。理想的结果应是 iPhone 16 系列的产品页面。然而：

• 若仅使用 BM25 关键词检索，系统会严格匹配“苹果”“手机”“最新款”，但可能遗漏标题为“iPhone 16 Pro Max 官方旗舰店”的商品（未显式包含“苹果”）。
• 若仅使用 稠密向量语义检索（如 Sentence-BERT），系统可能返回大量关于“水果苹果”“苹果公司历史”或“MacBook 新品”的内容，因为这些文本在语义空间中与查询高度相似。