RAG 混合检索：BM25、Embedding 检索、RRF 与 Cross-Encoder Rerank

在企业知识库、售后工单、代码文档和内部系统问答中，检索链路不能只依赖一种召回方式。BM25 擅长精确字面匹配，Embedding 向量检索擅长语义相似匹配，RRF 负责把不同召回通道的结果按排名融合，Cross-Encoder Rerank 负责对融合后的候选 Chunk 做最终精排。

这篇文档聚焦一个核心问题：BM25 和向量检索不是二选一，而是要按 Query 类型协同工作。

对于 error_code=E1234、CreateOrderV2、OPS-Sentinel、iPhone 15 Pro Max 这类硬 token，关键词检索必须参与。

对于“用户支付失败后怎么排查”这类自然语言描述，Embedding 向量检索更有优势。生产级 RAG 通常会把两路召回合并，再通过 Rerank 控制最终进入 LLM 的证据质量。

1. 检索方式的核心分类

1.1 稀疏检索：以 BM25 为代表的关键词召回

稀疏检索（Sparse Retrieval）指基于词项、倒排索引和关键词权重进行召回的检索方式。它之所以叫“稀疏”，是因为系统会把文本映射到一个很大的词表空间中，而一段文本只会命中其中很少一部分词项，大多数位置都可以理解为 0。工程上通常不会真的保存一个巨大的稀疏数组，而是使用倒排索引记录“某个词出现在哪些文档或 Chunk 中”。

稀疏检索的代表技术是 BM25，下文会在 第 2 节：BM25：关键词精确匹配的主力 中详细解释它的公式、分词方式、工作原理和适用场景。

它最适合处理错误码、订单号、型号、API 名、版本号、法规条款、配置项和企业内部专有名词。原因很直接：这些信息的字面形式就是身份，差一个字符就可能代表完全不同的对象。

举例来说，用户问 E1234 支付失败怎么处理？，BM25 会明确区分 E1234 和 E1243。只要文档中出现了 E1234，它就能通过倒排索引快速命中；如果文档只出现 E1243，即使两个字符串看起来很像，也不会因为“长得像”而被当成同一个错误码。

1.2 稠密检索：以 Embedding 向量检索为代表的语义召回

稠密检索（Dense Retrieval）指基于 Embedding 向量进行语义相似度召回的检索方式。它之所以叫“稠密”，是因为一段文本会被模型编码成一个固定维度的连续向量，向量中的大多数维度都有数值，而不是像稀疏表示那样大面积为 0。

稠密检索的代表技术是 Embedding 向量检索，下文会在 第 3 节：Embedding 向量检索：语义召回的主力 中详细解释。

它最适合处理自然语言问题、长文本描述、同义改写和症状描述。例如“用户付款后订单没生成”和“支付成功但订单创建失败”字面不完全一致，但语义上高度相关，向量检索通常能把它们匹配到一起。

稠密检索的优势是语义泛化，缺点是对低频专有名词和硬 token 不够稳定。通用 Embedding 模型可能不知道企业内部的 飞翼平台、OPS-Sentinel、CreateOrderV2 分别代表什么，也不会天然保证 E1234 必须匹配包含 E1234 的文档。

1.3 混合检索：让关键词和语义各自发挥优势

混合检索（Hybrid Search）不是简单地把 BM25 分数和向量分数相加，而是让两类检索信号在同一条链路中互补。BM25 负责保证精确 token 不漏召回，Embedding 向量检索负责补充语义相关候选，RRF 负责对不同通道的排名进行融合，Cross-Encoder Rerank 再对候选 Chunk 做精排。

一个典型的混合检索链路可以概括为：用户 Query 进入 Query Router，系统判断它更偏硬 token 还是自然语言语义，然后分别请求 BM25 索引和向量索引得到候选 Chunk；候选 Chunk 经过 RRF 融合后形成统一候选池，再送入 Cross-Encoder Rerank 重新排序，最终只取少量高相关 Chunk 进入 LLM Prompt。

2. BM25：关键词精确匹配的主力

BM25 是经典的关键词检索算法。它不是简单统计“某个词出现了几次”，而是同时考虑词频、逆文档频率和文档长度归一化。

词频表示查询词在文档中出现的次数。逆文档频率表示这个词在整个语料中有多稀有，越稀有越有区分度。文档长度归一化用于避免长文档因为词多而天然获得更高分。

在真正计算 BM25 之前，系统会先做分词。分词的目标是把 Query 和 Chunk 都切成可统计的词项，也就是 BM25 公式里的 q_i。

中文场景下，分词通常依赖 Elasticsearch IK、jieba、HanLP、Lucene SmartCN 或自定义词典。英文场景下，分词通常会按空格、标点、大小写规范化、词干还原或词形归一化处理。

例如用户 Query 是：

E1234 支付失败怎么处理？

一个适合售后场景的分词结果可能是：

[E1234, 支付失败, 支付, 失败, 处理]

这里最关键的是 E1234 不能被错误切碎，也不能被当成普通噪声词丢掉。对于错误码、订单号、API 名、配置项、版本号这类硬 token，生产系统通常会用正则和领域词典保护它们，让它们作为完整词项进入 BM25。

如果分词器把 CreateOrderV2 切成 Create、Order、V2，或者把 OPS-Sentinel 切丢了 Sentinel，BM25 后面的公式再正确也会召回不稳。因此 BM25 的工程效果不只取决于公式，也取决于分词器、停用词表、同义词表和领域词典。

BM25 的常见公式如下：

其中，D 表示文档或 Chunk，Q 表示用户 Query，q_i 表示 Query 分词后的某个词项。

f(q_i,D) 表示这个词项在文档中出现的次数，IDF(q_i) 表示这个词项的稀有程度，|D| 表示当前文档长度，avgdl 表示语料库中文档的平均长度。

k1 控制词频增长的饱和速度，b 控制文档长度归一化强度。

从直觉上看，BM25 做了三件事：Query 里的词在文档里出现，文档就应该加分；一个词如果在全库里很少见，它比“的、是、怎么”这类常见词更重要；长文档不能因为内容多、碰巧命中更多词就无条件占优势。

下面用一个售后工单场景说明。用户 Query 是：

E1234 支付失败怎么处理？

候选 Chunk 如下：

BM25 会认为 Chunk A 同时命中 E1234、支付失败 和 处理 相关词，其中 E1234 由于在全库中非常稀有，会带来很强的区分度。Chunk C 虽然语义上和支付失败有关，但没有命中 E1234；Chunk B 虽然同样是错误码文档，却命中的是 E1243，不能替代 E1234。因此在这类 Query 中，BM25 的精确匹配优势非常明显。

BM25 特别适合错误码、订单号、产品型号、API 名、函数名、版本号、法规条款、SKU、配置项和内部系统代号。它的工程优势也很明确：不需要训练数据，不需要 GPU，基于 Elasticsearch、OpenSearch、Lucene 等系统即可落地；命中哪个词、贡献了多少分也更容易通过日志解释。

3. Embedding 向量检索：语义召回的主力

Embedding 向量检索会先用 Embedding 模型把 Query 和 Chunk 分别编码成向量，再计算向量之间的相似度。语义越接近的文本，向量空间中的距离通常越近。常见相似度计算方式包括余弦相似度、点积和欧氏距离，实际使用哪一种取决于模型训练方式和向量数据库配置。

以自然语言问题为例，用户 Query 是：

用户付款后订单没生成，应该怎么排查？

知识库中可能没有完全相同的句子，但有一个 Chunk 写着：

支付成功但订单创建失败时，需要依次检查支付回调、订单服务幂等表和消息队列消费状态。

BM25 可能只命中“支付”或“订单”等普通词，排序不一定靠前；Embedding 向量检索则能理解“付款后订单没生成”和“支付成功但订单创建失败”语义接近，因此更容易召回正确文档。

但对 E1234、E1243、CreateOrderV2 这类字符串，Embedding 模型的可靠性会下降。原因可以合并理解为：这类字符串语义信息很少，通用训练语料覆盖不足，分词结果又可能被切成多个子 token；而向量相似度本质上是软匹配，不会天然保证“必须包含这个精确字符串”。因此 E1234 和 E1243 在业务上完全不同，但在纯向量空间中可能被认为形式相近，导致召回错误 Chunk。

对企业内部低频专有名词也类似。飞翼平台、OPS-Sentinel、星河工单系统 这类词对企业内部人员很明确，但通用 Embedding 模型未必学过它们的业务含义。用户问“飞翼平台怎么申请权限”，纯向量检索可能召回其他平台的权限文档；BM25 则能直接锁定包含“飞翼平台”的 Chunk。所以在企业 RAG 中，Embedding 检索负责语义泛化，BM25 负责精确约束，两者缺一不可。

4. Hybrid 融合：Query Router、RRF 与动态权重

Hybrid 的第一步不是融合分数，而是判断 Query 类型。Query Router 是一个查询路由模块，用来判断当前 Query 更依赖关键词还是语义。

Query Router 不一定要用大模型。生产系统里更常见的做法是先用规则、正则表达式、领域词典和少量统计特征实现一个轻量 Router。只有当 Query 很复杂、规则无法判断时，才考虑引入小模型或 LLM 做二级分类。

4.1 Query Router 如何实现

Query Router 的输入通常是原始 Query、用户所属业务线、知识库 ID、会话上下文和权限过滤条件。它的输出不是最终答案，而是一份检索策略，例如走 BM25 还是向量检索、两路分别取多少 Top-K、是否需要 Query Rewrite、是否要保护精确 token。

这部分不需要做得特别复杂。工程上可以先用规则实现一个稳定版本，再根据 bad case 决定是否引入 LLM 分类。

flowchart TD
    A[用户 Query] --> B[预处理]
    B --> C[识别硬 token / 领域词 / 意图]
    C --> D{是否需要改写?}
    D -->|是| E[Query Rewrite / Query Expansion]
    D -->|否| F[Query 分类]
    E --> F
    F --> G{Query 类型}
    G -->|精确匹配型| H[偏 BM25]
    G -->|语义描述型| I[偏向量检索]
    G -->|混合型| J[BM25 + 向量并行]
    G -->|不确定| K[默认 Hybrid]
    H --> L[输出检索策略]
    I --> L
    J --> L
    K --> L

一个简单 Router 可以按下面流程实现。

第一步：预处理 Query。 这一步做大小写归一化、全角半角转换、空格清洗和无意义标点清理，但不能破坏关键符号。E1234、ORD-20260503-7788、CreateOrderV2、max_retry_count 里的大小写、连字符和下划线都应该保留。

第二步：识别强规则信号。 如果 Query 命中错误码、订单号、版本号、SKU、API 名、配置项、文件路径、URL、法规条款编号，就可以认为它有强关键词约束。这类 Query 必须让 BM25 参与。

第三步：识别语义信号。 如果 Query 是完整自然语言问题，包含“为什么、怎么、如何、怎么排查、有什么区别”等问法，或者是一整段工单描述，就说明它需要语义召回。这类 Query 必须让向量检索参与。

第四步：判断是否需要 Query Rewrite。 如果 Query 太口语化、指代不清或依赖上下文，例如“这个报错怎么处理”，就应该结合会话上下文改写成更完整的 Query。如果 Query 很短但同义表达很多，例如“重复扣款”，可以做 Query Expansion，补充“重复支付、重复扣费、支付流水核验、退款工单”等同义词或相关术语。

第五步：输出检索策略。 Router 最终只需要给出可执行策略，不需要给出答案。策略可以包括 bm25_top_k、vector_top_k、是否使用 RRF、是否进入 Rerank、是否保护某些 token。

关于 lexical_score 和 semantic_score，它们不是必须存在的模型分数，也不是让 LLM 随便打一个分。更常见的做法是规则加权，便于调试。

lexical_score 可以理解为“字面精确匹配分”。 它衡量当前 Query 有多依赖关键词、编号、代码、错误码、产品型号、字段名、法规条款这类精确字面信息。这个分数越高，越说明 BM25 不能缺席。

semantic_score 可以理解为“语义理解分”。 它衡量当前 Query 有多依赖自然语言理解、同义表达、问题意图、上下文描述和推理型检索。这个分数越高，越说明向量检索不能缺席。

规则加权可以从简单版本开始。比如命中一个错误码，lexical_score += 3；命中订单号、SKU、版本号、法规条款，lexical_score += 3；命中 API 名、函数名、配置项，lexical_score += 2；命中领域词典里的内部系统名或产品名，lexical_score += 2。

语义侧也可以类似处理。如果 Query 是完整问句，semantic_score += 2；如果包含“怎么排查、为什么、如何处理、有什么区别、能不能”这类意图词，semantic_score += 2；如果 Query 是一段较长的工单描述，semantic_score += 2；如果命中了同义词扩展词表，semantic_score += 1。

一个简单判断策略如下：

这些阈值不是标准答案，而是初始配置。上线后应该根据 bad case 调整，例如错误码漏召回多，就降低 BM25 触发门槛；自然语言问题召回不准，就提高向量侧参与度。

当然，也可以直接用 LLM 做 Query 分类。LLM Router 的优点是能理解复杂语义、多意图问题和上下文省略，缺点是成本更高、延迟更高、结果稳定性不如规则，并且需要对输出做 JSON schema 约束。

更稳的做法是规则优先，LLM 兜底。以下情况适合触发 LLM 兜底：规则分数接近、Query 同时包含多个意图、Query 依赖上下文指代、用户输入是一整段工单描述、Query 需要先改写才能检索，或者规则命中了很多信号但互相冲突。

LLM 兜底不是让模型直接回答问题，而是让模型只做分类和改写。它应该输出固定 JSON，字段包括 Query 类型、是否需要改写、改写后的 Query、需要保护的硬 token、BM25 Top-K、Vector Top-K、是否使用 RRF、是否使用 Rerank。

LLM 兜底还要有安全策略。只要 Query 中存在错误码、订单号、API 名、版本号等硬 token，即使 LLM 判断为语义型，也不能关闭 BM25；最多只能调整两路 Top-K。LLM 不能删除硬 token，不能把 E1234 改写成 E1243，也不能凭空扩展不存在的业务实体。

LLM 分类可以要求输出固定 JSON，例如：

{
  "query_type": "hybrid",
  "need_rewrite": true,
  "rewrite_query": "E1234 支付渠道超时导致重复扣款时如何处理？",
  "route": {
    "bm25_top_k": 50,
    "vector_top_k": 50,
    "use_rrf": true,
    "use_rerank": true
  },
  "preserve_tokens": ["E1234"]
}

不同情况可以按下面方式处理：

Router 的目标不是一次分类永远正确，而是避免明显错误。错误码类 Query 不能被纯向量检索带偏，自然语言问题也不能只靠关键词硬匹配。只要 Router 能把大部分 Query 分到合理通道，后面的 RRF 和 Rerank 就会轻松很多。

4.2 为什么不能直接相加分数

常见错误写法是：

这个公式的问题在于，BM25 分数和向量相似度不是同一种度量。BM25 分数没有固定上限，会随着词频、IDF、文档长度和语料分布变化；余弦相似度通常落在较窄区间，例如 0.7 到 0.95。直接相加时，BM25 数值可能天然压过向量分数，导致语义检索结果几乎不参与排序。

举例来说，Chunk A 的 BM25 分数是 18.0，向量相似度是 0.60；Chunk B 的 BM25 分数是 2.0，向量相似度是 0.92。直接按 0.5 加权后，A 的融合分是 9.30，B 的融合分是 1.46。虽然 B 在语义上更匹配，但因为 BM25 原始数值更大，最终被压下去了。

归一化加权并不是不能用，但要谨慎。Min-Max 归一化和 Z-score 标准化可以把分数映射到相近范围，但它们会受到异常值、Query 分布变化和语料变化影响。更稳妥的起步方式是先用 RRF，只看每个通道内部的排名，不直接比较不同通道的原始分数。

4.3 RRF 的原理和完整排名示例

RRF（Reciprocal Rank Fusion，倒数排名融合）是一种按排名融合多路检索结果的方法。它不关心 BM25 分数是多少，也不关心向量相似度是多少，只关心某个 Chunk 在每一路检索结果中排第几。排名越靠前，贡献越大；同一个 Chunk 如果在多路检索中都靠前，总分会自然升高。

RRF 的标准公式如下：

其中，d 表示候选 Chunk，n 表示检索通道数量，rank_i(d) 表示 Chunk d 在第 i 个检索通道中的排名，c 是平滑常数，常见取值为 60。如果某个 Chunk 没有出现在某一路结果中，这一路通常不给它贡献分数。

假设用户 Query 是：

E1234 支付失败后用户被重复扣款怎么办？

BM25 和向量检索分别返回 Top-5：

取 c = 60，分别计算每个 Chunk 的 RRF 分数：

最终按 RRF 总分从高到低排序，得到融合排名：

这个例子说明了 RRF 如何得到最终排名：先把每一路检索结果中的名次转成倒数贡献，再把同一个 Chunk 在不同通道中的贡献相加，最后按总分排序。它天然解决了 BM25 分数和向量分数尺度不一致的问题，也保留了“单路非常靠前”的候选资格。

5. Rerank 与 Cross-Encoder：关系、原理、结构和调用格式

Rerank（重排序、精排）是一道排序阶段，不是某一种固定模型。它的输入是一批已经召回的候选 Chunk，输出是这些候选 Chunk 针对当前 Query 的相关性排序。Cross-Encoder（交叉编码器）是实现 Rerank 的常见模型结构之一，也是 RAG 系统中最常见的精排方案之一。简单说，Rerank 是任务，Cross-Encoder 是经常用来完成这个任务的模型类型。

RRF 解决的是多路召回候选如何合并，Cross-Encoder Rerank 解决的是候选中哪几条真正适合放进 Prompt。RRF 只看排名，不理解 Query 和 Chunk 的逐 token 交互；Cross-Encoder 会把 Query 和 Chunk 放在一起输入模型，让模型直接判断二者是否相关，因此判断更细，但计算成本也更高。

5.1 Cross-Encoder 的工作原理

Cross-Encoder 的典型输入不是单独的 Query 向量或单独的文档向量，而是一个 Query-Chunk 对。模型会把二者拼接成一个序列，例如：

[CLS] E1234 支付失败后用户被重复扣款怎么办？ [SEP] E1234 表示支付渠道超时，若发生重复扣款，请按照退款工单流程处理。 [SEP]

然后模型通过 Transformer 层让 Query 中的 token 和 Chunk 中的 token 充分交互。最后，模型通常取 [CLS] 位置的表示，接一个线性层或分类头，输出一个相关性分数。这个分数可以理解为“当前 Chunk 对当前 Query 有多相关”。

它和向量检索的差异非常关键。向量检索通常是 Bi-Encoder 架构，Query 和 Chunk 分别编码，提前把 Chunk 向量存进向量库，线上只需要编码 Query 并做近邻搜索，因此速度快、适合大规模召回。Cross-Encoder 则必须对每个 Query-Chunk 对重新计算，无法提前把所有 Chunk 的最终相关性算好，因此速度慢，但排序更准。

5.2 Cross-Encoder 的模型结构

Cross-Encoder 的结构可以抽象为：

Query + Chunk
  ↓
Tokenizer 拼接为一个输入序列
  ↓
Transformer Encoder 编码
  ↓
取 [CLS] 或池化后的整体表示
  ↓
线性层 / 分类头输出相关性分数
  ↓
按分数从高到低排序

如果用更数学化的方式表示，可以写成：

其中，q 表示 Query，d 表示候选 Chunk，[q;d] 表示把 Query 和 Chunk 拼接后输入模型，Encoder 通常是 BERT、RoBERTa、DeBERTa 或其他 Transformer Encoder，Head 是输出相关性分数的分类头或回归头。

Cross-Encoder 的输入长度通常有限制，例如 512、1024 或 2048 tokens。如果 Chunk 太长，需要在召回阶段就控制 Chunk 长度，或者在 Rerank 前进行截断。Rerank 的候选数量也不能太大，常见做法是先用 BM25 和向量检索召回几十到几百条，再用 Cross-Encoder 精排 Top-50 或 Top-100，最后取 Top-3 到 Top-5 进入 LLM。

6. 生产级 RAG 检索链路：从 Query 到 LLM 的完整数据流

生产级链路需要同时描述离线入库和在线查询。离线阶段负责把文档加工成可检索的数据结构，在线阶段负责把用户 Query 转成候选 Chunk、融合排序、精排并交给 LLM。

整体数据流如下：

flowchart TD
    A[原始文档] --> B[文档解析与清洗]
    B --> C[按结构切分 Chunk]
    C --> D[写入 BM25 倒排索引]
    C --> E[调用 Embedding 模型生成 Chunk 向量]
    E --> F[写入向量数据库]

    U[用户 Query] --> Q[Query Router]
    Q --> Q1[识别硬 token / 领域词 / 意图]
    Q1 --> S[生成检索策略]

    S --> BQ[BM25 检索请求]
    S --> VQ[向量检索请求]

    BQ --> D
    VQ --> QE[生成 Query Embedding]
    QE --> F

    D --> BR[BM25 Top-K Chunk]
    F --> VR[Vector Top-K Chunk]

    BR --> RRF[RRF 融合候选]
    VR --> RRF

    RRF --> RR[Cross-Encoder Rerank]
    RR --> TOP[最终 Top-K Chunk]
    TOP --> P[组装 Prompt]
    P --> LLM[LLM 生成答案]
    LLM --> O[返回答案与引用来源]

下面用一条模拟 Query 从头到尾走一遍。

6.1 离线入库阶段

假设知识库中有一篇文档《售后错误码手册.md》，其中包含如下内容：

错误码 E1234 表示支付渠道超时。
如果用户反馈支付失败后被重复扣款，需要先核验支付流水，再检查第三方支付网关回调状态。
确认重复扣款后，应创建退款工单，并在 1 个工作日内完成处理。

入库时，系统先解析文档结构，按标题、段落、表格和代码块边界切成 Chunk。每个 Chunk 会带上 chunk_id、doc_id、source、title_path、text、updated_at 等元数据。

然后，同一份 Chunk 同时写入 BM25 索引和向量索引。

写入 BM25 索引时，系统会对文本分词并构建倒排索引。写入向量索引时，系统会调用 Embedding 模型把 Chunk 文本编码成向量，再写入 Milvus、FAISS、Elasticsearch Vector、pgvector 或其他向量数据库。

入库后的数据可以抽象成下面这样：

这个阶段结束后，知识库中同一份 Chunk 已经具备两种召回能力：BM25 可以通过 E1234、支付失败、重复扣款 等词项命中它；向量检索可以通过“付款后订单异常”“支付渠道超时处理”等语义表达召回它。

6.2 在线查询阶段：模拟 Query 完整传输

用户输入 Query：

E1234 支付失败后用户被重复扣款怎么办？

第一步，API 网关或 RAG 服务接收请求，并生成一次查询链路的 trace_id。请求数据通常包含 query、user_id、session_id、knowledge_base_id 和业务过滤条件，例如只检索“售后知识库”。

{
  "trace_id": "trace_20260603_001",
  "query": "E1234 支付失败后用户被重复扣款怎么办？",
  "knowledge_base_id": "aftersale_kb",
  "filters": {"department": "aftersale"}
}

第二步，Query Router 分析 Query。系统先对 Query 做轻量预处理，保留 E1234 这样的错误码，去掉无意义空格，并识别问句中的业务动作。

对这条 Query，Router 会抽取出三类信息。E1234 命中错误码正则，属于强关键词信号；“支付失败”和“重复扣款”属于业务实体和问题现象；“怎么办”表示用户需要处理流程，属于自然语言意图。

Router 可以把中间分析结果记录成结构化数据，方便排障：

{
  "query_type": "hybrid_strong",
  "hard_tokens": ["E1234"],
  "domain_terms": ["支付失败", "重复扣款"],
  "intent": "troubleshooting",
  "lexical_score": 0.92,
  "semantic_score": 0.76,
  "rewrite_needed": false,
  "strategy": {
    "bm25_top_k": 50,
    "vector_top_k": 50,
    "preserve_tokens": ["E1234"],
    "fusion": "rrf",
    "rerank_top_n": 20,
    "final_top_k": 3
  }
}

这里的 lexical_score 高，是因为 Query 中有 E1234 这种必须精确匹配的硬 token。semantic_score 也不低，是因为用户不是只问“E1234 是什么”，而是问“重复扣款怎么办”，需要召回处理流程类文档。

如果 Query 只有 E1234，Router 会采用更偏 BM25 的策略，例如 BM25 Top-50、Vector Top-10。如果 Query 是“用户付款后订单没生成怎么排查”，Router 会采用更偏向量的策略，例如 BM25 Top-20、Vector Top-50。如果 Query 是 CreateOrderV2 timeout，Router 会保留完整 API 名，并让 BM25 和代码文档索引优先参与。

第三步，系统并行请求 BM25 索引和向量索引。BM25 请求会携带原始 Query、分词后的词项和需要保护的硬 token；向量检索请求会先调用 Embedding 模型把 Query 编码成 Query Vector，再到向量数据库中查找近邻 Chunk。

{
  "bm25_request": {
    "query": "E1234 支付失败后用户被重复扣款怎么办？",
    "analyzed_terms": ["E1234", "支付失败", "支付", "失败", "重复扣款", "处理"],
    "preserve_tokens": ["E1234"],
    "top_k": 50,
    "filters": {"department": "aftersale"}
  },
  "vector_request": {
    "query_text": "E1234 支付失败后用户被重复扣款怎么办？",
    "query_embedding": [0.09, -0.22, 0.17, "..."],
    "top_k": 50,
    "filters": {"department": "aftersale"}
  }
}

第四步，两路召回返回候选 Chunk。BM25 可能把 chunk_A 排在第一，因为它精确命中 E1234；向量检索可能把 chunk_C 排在第一，因为它语义上更像“支付渠道超时排查”。返回结果会保留各自通道的排名、原始分数和元数据，但后续 RRF 主要使用排名。

第五步，RRF 对两路候选进行融合。chunk_A 在 BM25 中排名第 1，在 Vector 中排名第 2，因此总分很高；chunk_C 虽然没有出现在 BM25 头部，但在 Vector 中排名第 1，也会被保留；chunk_D 虽然 BM25 命中了错误码形态，但它是 E1243，后续很可能被 Rerank 降权。

第六步，系统把 RRF 后的 Top-N 候选送入 Cross-Encoder Rerank。输入格式是一组 Query-Chunk Pair，模型为每个 Pair 输出相关性分数。假设 Rerank 后的结果如下：

第七步，系统取 Top-3 或 Top-4 Chunk 组装 Prompt。Prompt 中应包含用户问题、检索证据、来源信息和回答约束，要求 LLM 只基于证据回答，并在答案中引用来源。

你是售后知识库问答助手。请只基于以下资料回答用户问题；如果资料不足，请说明无法确认。

用户问题：
E1234 支付失败后用户被重复扣款怎么办？

检索证据：
[1] 来源：售后错误码手册.md / 支付错误码 / E1234
内容：E1234 表示支付渠道超时。若用户反馈支付失败后被重复扣款，需要先核验支付流水，再检查第三方支付网关回调状态。确认重复扣款后，应创建退款工单，并在 1 个工作日内完成处理。

[2] 来源：支付渠道异常排查.md / 渠道超时
内容：支付渠道超时可能导致支付结果回调延迟。客服应核验支付流水、订单状态和第三方回调日志，避免重复退款或漏退款。

[3] 来源：支付错误码总览.md
内容：E1234 表示支付渠道超时；E2008 表示风控拒绝；E1243 表示库存锁定失败。

请给出处理步骤，并标注引用来源。

第八步，LLM 基于这些 Chunk 生成答案。理想输出会明确指出 E1234 的含义、重复扣款的核验步骤、退款工单处理方式和来源引用，而不是泛泛回答“请联系客服”。这时，完整数据流已经从用户 Query 经过 Router、BM25、Embedding、向量库、RRF、Cross-Encoder Rerank，最终变成了 LLM 可使用的证据上下文。

6.3 链路排障和评估

线上排障时，一定要记录 BM25 Top-K、Vector Top-K、RRF Top-K 和 Rerank Top-K。只看最终答案无法判断问题发生在哪一层；只有保留分阶段 Trace，才能知道是 BM25 漏召回、向量漏召回、RRF 融合不合理，还是 Rerank 把正确 Chunk 排低了。

评估时不要只看整体准确率，还要按 Query 类型拆开看。错误码、订单号、型号、API 名和内部系统名属于硬 token 类，应重点看精确召回率和零结果率；自然语言描述类应重点看 Recall@K、MRR 和最终答案正确率；线上失败样例应沉淀成 Bad Case 回归集，每次调整 Query Router、RRF 参数、候选池大小或 Rerank 模型后都要回归。

7. 总结

BM25 和 Embedding 向量检索不是新旧替代关系，而是两类不同检索信号。

BM25 看字面，Embedding 检索看语义。 BM25 保证错误码、型号、API 名、内部系统名等硬 token 不漏，Embedding 检索保证自然语言描述和同义改写能被召回。

Hybrid Search 的关键也不是把两路原始分数粗暴相加，而是通过 Query Router 控制通道参与度，通过 RRF 按排名融合候选，再通过 Cross-Encoder Rerank 把最相关的 Chunk 放进 LLM Prompt。

如果只记一句话，可以这样概括：生产级 RAG 的检索链路应该按 Query 类型路由，用 BM25 保精确，用 Embedding 检索保语义，用 RRF 融合多路候选，用 Cross-Encoder Rerank 精排证据，最后再把少量高质量 Chunk 交给 LLM。