BM25 + 向量搜索 + RRF 真的值得吗？
摘要
本文质疑将 BM25 与向量搜索结合 RRF 是否能提高智能体记忆检索的命中率，并暗示仅使用 BM25 可能就足够了。
嘿，智能体构建者们，对于使用 RRF 的 [BM25 + 向量搜索]，你们真的在测量命中率吗？对于我摄入的智能体记忆，我看到最相关的命中来自 BM25 排名，向量 + RRF 真的值得吗？
相似文章
@DailyDoseOfDS_: 别再到处用向量搜索了！一个30年前的算法，无需训练、无需嵌入、无需微调……
文章反对过度使用向量搜索，强调BM25在精确关键词匹配上的有效性及其在混合搜索系统中的作用。
@Al_Grigor: 不要默认从一开始就在RAG项目中使用向量搜索。先使用文本搜索。更简单：- 无需嵌入模型 ……
一条实用建议的推文，建议从一开始就用文本搜索（BM25）而不是默认用向量搜索来启动RAG项目，以降低复杂性；只有出现语义差距时才添加向量搜索。
RAG Retrieval Deep Dive: BM25, Embeddings, and the Power of Agentic Search
本文深入对比了BM25词法搜索和嵌入语义搜索在RAG检索中的优缺点，给出了根据查询类型和系统权衡选择检索方法的实用框架，强调了将RAG视为系统而非简单组件的重要性。
当更多文档损害RAG：通过领域限定、模型无关的检索缓解向量搜索稀释
本文识别了RAG系统在扩展到大规模异构文档集合时出现的“向量搜索稀释”现象，并提出MASDR-RAG，一种利用组织元数据进行领域限定的检索方法，显著提升了检索准确率。
介绍上下文检索
Anthropic 推出了上下文检索，这是一种结合了上下文嵌入和 BM25 的技术，通过减少检索失败的情况，显著提高了 RAG 的准确性。