混合检索的核心并不是简单地把向量检索与关键词检索“各做一次”，而是把两套候选结果转换为可比较的相关性信号，再按照业务目标完成融合。向量检索擅长捕捉语义相近内容，关键词检索通常基于 BM25，更适合人名、产品编号、缩写和专有术语等精确匹配场景。两者的原始分数含义不同，不能直接相加，否则某一路可能因分值尺度更大而主导最终排序。
权重融合的基本逻辑
设向量检索得分为 (S_v)，关键词检索得分为 (S_k)，经过归一化后，综合得分可以表示为：
[ S=alpha hat S_v+(1-alpha)hat S_k ]
其中，(hat S_v) 与 (hat S_k) 是经过尺度统一后的分数，(alpha) 是向量通道权重。权重越高，系统越偏向语义召回；反之，则更强调字面命中。关键不在于寻找一个“通用最优值”，而在于根据查询类型动态判断：概念解释、自然语言描述适合提高语义权重；包含编号、专名或限定词的查询，则应提高关键词权重。
除了分数融合，还可以采用排序融合：先分别取得两路结果，再依据文档在各自列表中的名次计算综合优先级。这种方式不依赖两套检索器的分数尺度，适合不同检索组件难以统一评分标准的情况，但可能损失部分原始相关性信息。
生产系统如何调权
权重调优不能只看单次问答是否“看起来相关”，而应建立覆盖不同查询类型的评估集，分别观察召回完整度、首位结果相关性、重复结果比例和最终生成质量。实际调试时，应先判断错误来源：若专有名词频繁漏召回，问题通常在关键词通道或其权重；若结果命中了词面却不符合语义，则需要增强向量通道或后续重排序。
还要避免把权重融合当成检索质量的全部。文档解析、切片粒度、过滤条件和重排序都会改变最终效果。较稳妥的架构是“双路召回—结果融合—重排序—生成”，并保留检索出处，便于定位错误与人工复核。混合检索的价值，不是让两种算法平均用力，而是让系统针对不同问题选择更可靠的证据来源。