RAG Formation · 第 5 课 · 检索工程

语义搜索、关键词搜索与混合检索

让 SOP 标识符、缩写、名称、日期和概念匹配到真正能找到它们的检索信号——向量、全文、摘要或图谱。

$ lesson --status
▸ course RAG Formation
▸ lesson 05 / 16
▸ phase 检索工程
▸ status 已完成
● build → measure → learn

独立课程

在这里学习完整课程并检验你的理解。

RAG Formation 的 16 节课程内容已完成。本页包含完整课程内容、本地参考资料和可直接在浏览器中完成的即时练习。

本课的具体收获

学完本课，你会填完一张逐题对比表，并选出一个真正得到证据支持的检索改进方案。

观看讲解视频

1 · 最小的实用模型

向量检索（语义）：将文本转换为浮点向量嵌入（例如 Qdrant、Pinecone），以捕捉高维相似度、上下文、含义和改写表达，而不是完全相同的词。它跨语言的表现取决于嵌入模型——不要假设，应该实际测量。
全文检索（词法）：使用 BM25 等算法和容错匹配（例如 Meilisearch、Elasticsearch），匹配字面词元字符串——精确的编号、名称、缩略词和数字。当精确拼写承载了关键含义时，全文检索就能发挥作用。说明：搜索引擎之间的边界正在演变——像 Meilisearch 这样的引擎现在也能原生处理向量嵌入，实现统一的混合检索。
图谱检索（关系 / 结构化）：动态遍历显式的节点、边和实体关系（例如 Neo4j、LightRAG）。它不只是“另一种找片段的办法”——它是唯一能够可靠追踪多跳关联的结构化信号（例如，把分散在不同文档中的事实连接起来），这是向量检索和全文检索单靠自己做不到的。
摘要检索：一个独立索引，为每份完整文档存一个向量化摘要，而不是按片段存。它回答的是“这份文档讲的是什么”——当单个约 500 token 的片段太窄，装不下整份文档的主题时就需要它。
累计并集：在这个实验中，只要来源出现在四路信号中的任意一路，就算被找到。这能说明检索贡献，但不能说明最终答案是否正确。
混合检索：在这套系统里，“混合”指的是各路信号并行运行，把各自格式化后的结果拼接在一起——不做融合，也不做重新排序。信号之间没有分数归一化，也没有互惠排名融合；真正的融合只发生在 LightRAG 内部，在它自己的实体、关系和向量三条通路之间。代码里有一套重排引擎，但没有接入线上检索——不要以为“混合”意味着比“并行拼接”更复杂。

四路信号各自处理同一条查询，经过各自的步骤后，结果被拼接进同一个提示词——不融合，不重排序。

主要阅读：Qdrant《混合检索》——注意它如何组合多种搜索表示，以及为什么这种组合需要评估，不能想当然地认为一定有效。

2 · 运行一次受控实验

复用第 4 课使用的同一套隔离演示环境和评估集。检索模式会直接调用 /api/v1/search，整个过程不经过 LLM 评审，因此可以单独观察检索本身。

cd demo
python3 eval.py verify
python3 eval.py run --mode retrieval --workspace meridian_demo --tag lesson-05-experiment

这会生成两个文件：一份汇总报告和一份逐题 JSON 报告。

reports/lesson-05-experiment.md
reports/lesson-05-experiment.json

对于正在检查的每道题，查看：

results[].retrieval.indexes.vector.all
results[].retrieval.indexes.fulltext.all
results[].retrieval.indexes.summary.all
results[].retrieval.indexes.graph.all
results[].retrieval.cumulative["vector+fulltext"].all
results[].retrieval.cumulative["vector+fulltext+summary"].all
results[].retrieval.cumulative["vector+fulltext+summary+graph"].all

根据来源元数据判断是否命中，不要根据文本匹配判断——某个文档编号只是出现在另一份文档的正文里，并不代表该文档被检索到了。

图谱这一栏本身就是近似值，报告里也是这么说的：LightRAG 返回的是一整段扁平的上下文文字，不是文档列表，所以只要某个编号出现在这段文字里的任何位置，就算图谱命中——这个编号也可能只是从另一份文档的交叉引用里冒出来的。把它当成一个真实但更“吵”的信号。报告里把它单独列出来，从不悄悄并进另外三路里。

3 · 填写对比表

在五个结果栏中填写 all、partial 或 miss。当多文档问题只找到部分预期来源时，填写 partial。然后为每一行写一句解释，并给出一个具体的下一步。

问题编号	查询类型	预期来源	向量结果	全文结果	摘要结果	图谱结果	累计并集	解释	下一步行动
q21	参考文档查找	PR-QA-MRD-010	_____	_____	_____	_____	_____	_____	_____
q24	参考文档查找 / 版本修订	PR-QA-MRD-009	_____	_____	_____	_____	_____	_____	_____
q32	跨语言事实问题	PR-EXM-MRD-003	_____	_____	_____	_____	_____	_____	_____
q46	字面事实问题	PR-ACH-MRD-007	_____	_____	_____	_____	_____	_____	_____
q63	多跳问题	PR-CLI-MRD-013 + PR-QA-MRD-009	_____	_____	_____	_____	_____	_____	_____

4 · 改代码前先解读结果

案例 A：对于 q21，向量结果是 miss，全文结果是 all，累计并集也是 all。这实际支持什么结论？

案例 B：向量检索和全文检索都得到 all，所以并集没有增加新的来源。诚实的解读是什么？

案例 C：q63 的 vector+fulltext 累计结果是 all，但最终答案仍然错误。下一步应该查哪里？

企业场景连接

受监管公司的聊天机器人必须同时做好两件事：准确处理措辞精确的程序查找，也要能理解真实用户表达的政策问题。这张表把“可靠”这个目标变成了可追踪的检索决策。

5 · 交付物与下一步

填完对比表中的五行。
写一段话：哪种信号为哪类查询增加了来源，证据是什么？
选择一个下一步行动，并写出要重新运行的指标，以检查行动是否有效。

下一步：第 6 课将讲分块和文档结构。保留这张表——它是后续分块与查询处理实验的检索基线。

报告字段、元数据匹配、查询类别，或者哪一行看不懂，随时问我。 这门课程中我就是你的老师，这正是我在这里的原因。

← 上一课参考资料下一课 →