知识库问答的瓶颈，往往不在大模型生成能力，而在检索阶段是否找到了真正相关的内容。单一向量检索擅长理解语义，却可能遗漏错误码、产品型号、合同编号等精确词项；单一关键词检索能够命中字符，却难以判断用户问题背后的意图。混合检索的价值，正是把两种能力放进同一条召回链路。
两路检索如何互补
向量检索会将问题和知识片段映射为向量，通过语义相似度寻找“意思接近”的内容。例如用户询问“服务器报错后如何恢复”，即使文档使用的是“故障处理流程”，系统也有机会完成匹配。
关键词检索则更适合处理不可替代的精确标识，包括错误码、接口名称、SKU、版本号和专有名词。以“ERR-50032怎么处理”为例，向量检索可能理解“怎么处理”的意图，却未必稳定命中特定错误码；关键词检索能找到“ERR-50032”，但不一定能识别用户是在寻找解决方案。两路结果结合后，召回范围和精确度才能同时兼顾。
工程实现上，通常先分别获得向量检索与BM25关键词检索的结果，再通过RRF（倒数排名融合）统一排序。它不要求两种检索分数处于同一尺度，而是根据文档在各自结果中的名次计算综合排名，降低某一路分数异常对最终结果的影响。资料中的实践建议是，向量检索权重可从0.7、关键词检索权重从0.3开始调试，再结合真实问题集进行校准。
混合检索不是“接上就有效”
效果首先取决于知识切分。技术文档应尽量保留标题层级、错误码与处理步骤的关联；FAQ则应将完整问答作为基本检索单元。若切分过大，结果会混入无关内容；切分过小，关键条件可能被拆散，导致两路检索都只能找到残缺片段。
召回之后还需要重排序。混合检索负责扩大候选范围，重排序负责判断候选内容与当前问题的实际相关性，最终只将高相关片段交给大模型生成答案。若知识库没有足够依据，系统应明确返回无法回答，而不是用相近内容拼接出看似完整的结论。
因此，评估混合检索不能只看回答是否流畅，还要观察错误码命中、Top-K召回、无答案识别和引用可追溯性。真正可用的知识库问答，不是让模型“知道更多”，而是让检索系统在不同类型的问题上都能找到正确、完整且可验证的依据。