← 回首頁

混合檢索 BM25/RRF（打分表 + 融合排名）

想在一堆文件裡找答案，就像問兩個個性不同的朋友：一個記性好、你講的字要一模一樣才找得到， 專有名詞和代碼最準，換句話說卻會傻眼；另一個很懂你的意思、能猜到你想問什麼，但常漏掉必須 一字不差的字眼。與其只信一個，不如兩個都問、再把兩份名單合成一份——這就是混合檢索 （hybrid retrieval）的想法。下面你會看到 BM25 怎麼逐詞替關鍵字打分，RRF 又怎麼只看名次、把兩路排名截長補短融成最終順序。

現代 RAG（檢索增強生成）系統很少只用單一路檢索：BM25 抓「關鍵字語意」（詞出現在多少文件裡、在單一文件 裡出現幾次，配合文件長度正規化避免長文件灌水取巧），向量檢索抓「語意相似度」（見 HNSW 等近似最近鄰索引）。兩路排序清單的分數量綱通常不可直接比較（BM25 分數 與向量餘弦相似度不是同一種尺度），因此常用 RRF（Reciprocal Rank Fusion，倒數排名融合）只看各路的 「名次」而非原始分數，依 1/(k+rank) 加總重新排序，讓兩路排序截長補短。本頁 Section 1 示範 BM25 逐詞 逐文件打分表，Section 2 示範 RRF 融合排名與三方排名對照。

為什麼 AI 時代重要

混合檢索（hybrid retrieval）是 RAG 管線的骨幹：純向量檢索容易漏掉「精確關鍵字/專有名詞/代碼」這類 字面比對比語意相似更重要的查詢，純 BM25 又抓不到同義詞與語意相近但字面不同的內容。實務系統 （Elasticsearch、OpenSearch、Weaviate 等）常見作法是 BM25 與向量檢索各自跑出一份排名，再用 RRF 這類 「只看名次、不看原始分數」的融合法合併，兼顧字面精確與語意相似兩種需求。

它是倒排索引與排序融合的延伸

BM25 建立在倒排索引之上（詞 → 含詞文件清單 + 統計量），與雜湊表「先分桶、再依統計量排序候選」同源， 也與 相似度雜湊 MinHash/LSH/SimHash 一樣仰賴「先用固定規則壓縮/分桶、再排序或比對」的手法；RRF 則是「先各自排序、再合併」的排序融合， 概念上與 MinHash 的 banding 候選對（先分桶縮小候選範圍）互補——一個是縮小候選、一個是合併多路候選。

1. BM25（倒排統計 → IDF → 逐詞逐文件打分 → 排名）

統計：對查詢詞逐一計算文件頻率 df（含詞的文件數）與逆文件頻率 IDF；本頁採 BM25+ 慣例變體 IDF = ln((N-df+0.5)/(df+0.5)+1)，分式外多加的「+1」讓 IDF 對任意 0≤df≤N 恆正——查詢詞「檢索」 df=3（4 份文件裡有 3 份含詞，超過半數），教科書原始 BM25 公式 ln((N-df+0.5)/(df+0.5)) 在此會算出 負值（≈-0.847），BM25+ 變體則仍為正值（≈0.357），是 Lucene 等實務系統常見的穩定寫法，非教科書 唯一寫法，本頁誠實標示為變體而非原始定義。打分：tf=0 時分數為 0；否則 idf·(tf·(k1+1))/(tf+k1·(1-b+b·(docLen/avgdl)))，k1=1.5 控制詞頻飽和速度，b=0.75 控制長度正規化 強度——文件越長於平均長度（avgdl），分母越大、分數越受懲罰。逐詞分數加總為文件總分，依分數高到低 排名（同分取索引小，tie-break）。

固定資料：4 份文件（d0 短、含查詢詞×2；d1 短；d2 長，8 個 token；d3 不含任何查詢詞），3 個查詢詞 「向量」「檢索」「排名」；k1=1.5、b=0.75。
已計算格數（scores）：0 階段：stats
列＝3 個查詢詞（依序：向量、檢索、排名）、欄＝4 份文件（d0-d3）；格值＝該詞對該文件的 BM25 分數 （toFixed(4)），空白代表尚未輪到的詞×文件組合，tf=0（詞未出現）之格為 0.0000，非空白。藍色外框 （active）與粉紅（pivot）皆標示本步驟正在計算的格。
長文件正規化懲罰實例：詞「檢索」在 d1（長度3）與 d2（長度8，本頁最長文件）都恰好出現 1 次（tf=1），IDF 相同，但 d1 分數≈0.4196，d2 分數≈0.2642——同樣 tf=1，文件長度越超過平均長度 （avgdl=4.5），分母的長度正規化項越大，分數越低，這就是 BM25 抑制「長文件灌水」的機制。

df / IDF 對照表

詞dfIDF

總分 / 排名表

名次文件總分

已執行操作紀錄（opLog）

（空）

2. RRF（倒數排名融合 + 三方排名對照）

輸入 A 為上方 BM25 節算出的排名；輸入 B 為 VEC_RANKING——固定給定的「向量檢索排名」示意值，並非本頁 計算所得，代表現實系統中由 HNSW 等 ANN 索引另外算出的一路排名，本頁誠實標示其為外部輸入，不假裝 是本頁推導的結果。兩路排名各自轉為 1-based 名次後，逐文件算 RRF 分數 = 1/(k+rankA) + 1/(k+rankB)， k=60 是 Cormack et al. (2009) 原始論文與多數實務系統（Elasticsearch、OpenSearch 等）沿用的慣例平滑 常數，本頁沿用而非自行推導，數值越小的名次（越前面）貢獻越大。依 RRF 分數由高到低重新排序即為融合 排名（同分 tie-break 與 BM25 排名共用同一套規則：索引小者優先）。

輸入 A：上方 BM25 排名（本頁算出）。輸入 B：VEC_RANKING=[2,0,3,1]（固定給定，外部示意值）。k=60。
已融合文件數（fusions）：0 階段：inputs
列＝4 份文件（d0-d3）、欄＝[BM25 名次, 向量名次, RRF 分數]；名次欄於兩輸入排名宣告幀一次性填入 （兩路排名本就是已知輸入，非逐步算出），RRF 分數欄逐文件覆寫。藍色外框（active）與粉紅（pivot） 標示本步驟正在融合的列。
融合排名與兩輸入皆不同的意義：本頁資料下，BM25 排名＝[0,1,2,3]、向量排名（外部給定） ＝[2,0,3,1]、融合排名＝[0,2,1,3]——三者互不相同。融合排名把「BM25 第 3 名、向量第 1 名」的 doc2 拉到第 2 名，是兩路排名的折衷結果，而不是照抄任一路，這正是混合檢索勝過單路檢索的核心： 任一路單獨看都不是最終答案，融合後才是。

逐文件 RRF 分數

（尚未計算）

三方排名對照表（BM25 / 向量 / 融合）

名次BM25向量（外部給定）融合

已執行操作紀錄（opLog）

（空）
BM25 建立在倒排索引之上，與雜湊表「先分桶、再依統計量排序候選」同源，也與相似度雜湊一樣仰賴「固定 規則先壓縮/分桶」的手法 → 相似度雜湊 MinHash/LSH/SimHash