全文搜索、向量检索、混合检索和重排序怎么选？根据问题类型设计企业 RAG

先看结果：不是“向量替代搜索”，而是把1,000个可回答问题拆开后组合候选

泊岚酒店集团在E11完成资料负责人、访问权限、文档系列、版本、适用范围和引用门后，才开始比较检索方案。46个已分级来源中，只有通过准入的部分进入语料：约184万份可见文件经案例化处理形成620万个段落。测试集包含1,000个可回答问题，以及200个在当前权限和资料下没有充分证据的问题。所有方法使用同一份来源快照、权限规则、版本解析器和段落粒度，避免把“多接了资料”误算成算法提升。

混合检索把候选覆盖从单路的805题或837题提高到956题。重排器没有创造新证据，只是在这956题已有候选的范围内，让900题的支持段落进入前5。余下100题中，44题在两路前30候选的并集中仍没有合格段落，56题虽然已有合格候选，却没有排进前5。团队没有把90%宣称成最终答案准确率，因为答案生成、主张覆盖、引用和可回答性仍要独立验收。

在200个无证据反例中，词项、向量和混合检索分别有82题、141题和123题仍返回“看起来相关”的前5候选；重排序后仍有58题出现高相关候选。相关不等于可以回答，E11设置的正确不答、冲突和权限拒绝门不能被检索分数替代。公司、文件、问题、金额、性能、成本与结果均为虚构教学案例，不对应真实客户或产品承诺。

四组结果按同一批1,200题逐题配对，不是分别从对自己有利的题里取样。延迟在同一容量档、并发曲线与冷缓存比例下测量，成本含索引、在线查询和重排分摊但不含生成器；因此可用于本案例选型，不能横向当作某种算法的市场价格。项目保留每题的子排名，才能看出956中有多少来自两路共同命中、多少是单路救回，而不只展示一张总分表。

业务结论是按类路由：编号/明确文档优先精确与全文；自然语言现象走混合；结构列表走字段筛选；政策数字与多条件问题走混合加重排；无证据类仍由可回答性停止。这样把高成本计算用在确有增益的查询上，也让降级时知道哪些类别可退回全文、哪些必须明确不可用。

先固定边界：检索只负责找候选，不能修复权限错误、旧版本、识别错误或缺失资料

E11已经决定什么资料可成为证据；E13会处理OCR、表格、附件、块与入库；E14会决定上下文如何组合。本文的检索器输入必须带用户权限、查询/截至时间、任务、实体和已收录家族；输出是带证据身份的候选段落，不是答案。

如果现行政策没有入库，向量检索不可能从旧常见问题中恢复它；如果文字识别把“不得”识别成“得”，重排器可能更自信地把错误段落排在前面；如果用户无权查看合同，相关度再高也必须在候选生成前过滤。项目先通过来源和摄入门，再评估检索；任何算法实验都不得临时关闭访问权限，或把撤回资料加回来“提高召回”。

生成器评估固定同一组Top 段落另做，避免检索与回答同时变化。检索离线分数改善后，还要检查它是否增加重复片段、相互冲突版本或过长上下文；真正交付的是证据集，不是一行基准数字。

一次典型的边界事故是：团队把2023年旧手册放回实验索引后，支持段落进入前5的题数从853升到879，但其中21题只是旧版文本更容易命中。只看主题相关性会把它宣布为提升；按照合格金标复核，这21题仍然失败，并触发“旧版进入候选”的停止门。另一次实验把管理员资料加入重排器，离线分数也上升了，却违反普通经理的访问权限。两次事故都说明，评估语料必须与真实可见范围一致，不能为算法制造一个生产中不存在的世界。

检索接口还输出“证据不足以覆盖哪些查询术语/条件”。它可以记录候选只覆盖设备类型、没有金额聚合规则，但不能自行决定最终拒答；同样，答案层不能偷偷再从全库检索一遍绕过记录。所有下游只能使用本次带身份、版本和过滤决议的证据集，新增检索必须成为可审计的新阶段。

问题先分类：精确字符串、概念意图、结构筛选和多条件问题需要不同路线

路由器不是用一个黑盒意图标签决定一切。它提取引用短语、编号、金额、日期、实体、语言、是否指定文档和问题动作，并保存置信度与回退。明确编号先做精确查找；结构化列表走数据库/过滤器；其他内容问题通常并行词汇/向量。低置信度不强行单路，进入较保守混合，但仍受预算限制。

一个查询可以拆成多路：原问、负责人批准的术语映射、精确实体/编号和不改语义的拼写归一。重写不得加入用户未说的“应急”“自营”或把“不得”去掉；每个变体保留来源和命中贡献。查询扩展属于召回工具，不是补全业务事实。

路由决策记录至少含原问哈希、识别的编号/金额/实体、文档限定、语言、分类分数、选择的路线、候选预算、回退与配置版本。若编号识别高置信，就先精确查找并在命中当前实体时结束；若精确对象存在但用户无权，返回权限状态，不能回退到语义搜索泄露同一内容。若编号不存在，再以普通文本进入全文/混合，并明确这是“按描述搜索”而非找到了该编号。

多条件查询要区分过滤字段和待证事实。用户工作区能授权取得H-117实体，可作为过滤器；用户口述“紧急”只是待业务分类，不能直接过滤到应急标准作业程序。日期也分查询时间、事件发生时间与文档提及时间。分类错误样本进入独立清单：错误路由、漏精确、错误扩展、过早结束和不安全回退分别有修复与回归。

1,200题评估集从真实任务构造：相关性标签必须指向具体段落和可用条件

1,000个可回答问题按失败形态分五类，另加200个无证据、权限拒绝、冲突或未来版本反例。题目从脱敏搜索/支持记录、负责人访谈、旧错答案和来源变化中抽样，不能只让作者根据当前系统会答什么来出题。每题保存查询时间、角色、实体、金标家族/版本/段落、相关等级和可接受替代。

相关性用0—3级：3为直接支持目标主张且版本/范围可用，2为支持必要子主张，1为背景相关但不足以答，0为不相关或不可用。一个旧版段落即使文字完全吻合也标不可用，不作为正面；为了诊断，可另记语义相关性和治理资格，防止算法被训练成偏好旧副本。

评审先双人校准100题，争议由内容负责人裁决。训练/调优、开发、盲测按系列拆分，避免同一政策的近重复块泄到两侧；历史问法去重，模型生成的改写不能充当全部测试分布。每次报告题集版本、语料快照与评审变更。

题集权重不按最容易收集的搜索量直接决定。高频导航题很多，但一个错误门槛的后果更高；报告同时给宏观切片、按生产量加权和关键放行门槛三套视图。220/240/240/200/100的划分用于诊断，不声称完全等同真实流量。生产分布每季度重采样，新任务先进入影子切片，不能直接改旧分母制造趋势。

金标不局限于一段字符串完全相同的文本。同一版本的网页和签署PDF若是等价表示，可以标成同一个证据实体；一个问题若必须同时引用门槛和例外，金标集就要求两类段落都出现，只命中其中一类只能得到部分相关。评审记录“可替代”“必须同时出现”“仅作背景”“不可用旧版”四类关系，使分级排序指标和前5证据指标不会奖励只抓到一半条件的结果。

词项检索擅长可解释的精确约束：先把字段、分词和短语做好再说它“落后”

全文检索不是简单包含。案例使用BM25类排序：词频、文档频率与长度归一共同影响分数；标题、正式编号、章节标题、正文、表头和负责人批准的别名分字段索引。精确 ID走关键词字段，正文走适合中英混合的分析器，金额/日期/地区同时保留结构字段。

220个编号/名称题词项召回212，明显高于向量的165；政策数字题也为215对187。它的优势是能解释命中了哪一词元/字段/短语，更新文档后无需重新嵌入。但词汇不一致、员工用现象描述而资料用故障码、跨语言表达时会漏；高频模板词还可能把通用常见问题推到前面。

词汇基线必须经过字段/查询审查，不能用默认全字段与向量精调结果比较。每次分析器、词典、同义词或字段权重变化保存版本，并以“50万/500万”“允许/不允许”“A-17/A17”做最小对照测试。

诊断时保存每个候选的术语命中、字段贡献、短语距离、文档长度和最终排名，但业务用户不需要看一堆内部分数。调优者先问黄金是否根本被过滤，再看它在各字段的排名；如果标题包含完整编号却排在30名后，优先查字段映射或重复文档，而不是继续加全局权重。局部修复必须在其他切片回放，防止提高编号后让所有政策标题压过真正支持故障步骤的正文。

中文分词、英文缩写和型号之间容易产生边界问题。案例同时保存原始字段、标准化字段和精确字段：原文用于引用，标准化用于大小写/全半角/连字符，精确用于不可拆的版本与资产号。标准化规则写入清单并配反例；金额从文本抽取为结构字段仍保留原句，避免抽取错误被当作唯一事实。

词项调优从失败簇出发，同义词不是越多越好

检索日志把零结果、相关度低于 30、错误家族高排名、重复主导和过滤为空分开。若“房控屏”资料只写“客控面板”，可由设施负责人批准双向别名；若“紧急采购”在政策有严格定义，就不能把“很急”“客诉”自动同义化。查询词典本身是一项有版本的业务资产。

点击可作为问题发现信号，不能直接当相关性金标准：首位点击可能因为默认位置，用户也可能打开错误旧版。高风险查询的权重与同义词变更需负责人样本验收；长尾可先影子。若规则难以解释或需要大量例外，说明应路由到混合/重排序，而不是继续堆查询语法。

稠密向量检索解决表达差异：嵌入相似度仍不是事实、权限或适用性

向量路把查询和段落映射到同一空间，用相似度找概念接近项；ANN索引用近似搜索换吞吐/延迟。案例对中英混合政策域选定一个嵌入配置，固定模型/版本、维度、归一方法、查询/文档前缀、最大输入与语言支持；旧向量与新向量不在同一字段混算。

语义/症状题向量召回222，高于词项的160；但编号题165、数字政策题187明显更弱。相似度高只表示表示接近，不证明段落含答案；“超过50万元需委员会”与“不超过50万元无需委员会”可能非常接近。数字、否定、版本、实体与ACL应由精确/过滤/资格控制。

ANN参数在同一硬件、并发和过滤选择性下评估。为了知道近似搜索漏了什么，抽样用穷举 kNN作预言机；若精确向量能找而ANN找不到，是索引/搜索参数问题，若两者都找不到，才看嵌入、块或题目标注。不能把所有向量未命中归成“模型不懂公司”。

620万个段落、768维、每维4字节，未压缩向量本体约为19.05十进制GB。实际容量还要计入近似搜索图、段落编号、元数据、副本和重建余量，不能把这一步乘法当成总容量。案例清单记录的实测值是：向量与近似搜索层43GB，词项与存储字段层96GB，混合共约139GB。这是本地实现的测量值，不代表所有引擎。容量决策还要看更新速率、片段合并、双索引迁移和故障副本，而不只是静态大小。

向量输入也做差分测试：只嵌正文、标题加正文、保留章节路径、表格转写四种表示分别跑相同题集。若加标题让导航题上升却使长正文都被相似标题吸走，就按字段建多路或交给融合，不强求一个嵌入承载所有目标。任何清洗不得移除数字、否定、单位和专名；截断位置进入记录，方便判断黄金事实是否根本没被编码。

向量失败要定位到查询、文本表示、近似搜索、过滤器或语料

一个新嵌入在公开基准更高，仍可能把酒店编号、金额和中英缩写处理得更差。BEIR论文在18个异构数据集上比较多类检索器，结论之一是BM25是稳健基线，而重排序/延迟交互平均效果强但计算成本更高；本文借鉴“跨任务评估”的方法，不把BEIR结果当本企业排名。

模型升级先重嵌小规模代表语料，比较五个切片、难负例、向量分布、索引大小与p95；随后双索引影子，不能把新旧向量混到一个分数。回滚要保留旧查询编码器、索引别名、配置和评估快照。

混合先取并集再融合：两条路共享同一资格过滤，但保留各自排名和解释

案例默认让词项前60和向量前60并行检索，在访问权限、现行版本、权威等级和适用性预过滤后取并集，再按段落实体编号去重。同一段落在两路都出现时，两个排名都保留。最多120个原始候选，不等于把120个全部交给重排器：先按文档家族和资料表示去重并执行硬规则，再按融合排名取前40。

query -> parse exact terms / entity / time / task
      -> eligibility filter (ACL, status, effective, scope)
      -> lexical Top60 -----------                                     -> dedupe by passage entity -> RRF Top40
      -> vector Top60 ------------/                           -> rerank -> Top8 evidence
trace: query variants, filter epoch, ranks, scores, model/index/config, excluded reason

混合不是无条件更好。明确家族 ID查询走精确路径可在更低延迟下完成；结构化计数不该让向量猜；低风险导航可仅词汇。路由器在答题集上的选择与回退也要版本化，防止“所有问题都混合”把成本和故障面扩大。

去重不能只看文本相似。签署PDF与网页属于同一版本时，可以合并成一个实体并保留首选引用；同一系列的门槛段和例外段即使相似，也必须分别保留；不同酒店的标准作业程序模板，不能因为哈希接近就跨实体合并。去重记录要说明保留了哪一种表示、合并了哪些排名贡献，以及是否需要来源多样性。最终8段证据可以设置每个系列的数量上限，但与主张必需配套的段落不能被通用上限误删。

两条支路失败时，系统状态也不相同。词项检索超时但向量检索完成，结果标记为“部分完成”，再按查询类别决定能否发布；访问权限或过滤服务不可用时，两路都要按故障安全原则关闭；向量索引落后当前索引轮次时，不能拿词项结果冒充完整混合结果。协调器保存截止时间并取消未完成请求，避免迟到结果写入下一次查询的缓存。

倒数排名融合解决分数量纲，但不能修复错误候选

词汇分数、余弦/点积与不同模型分数没有共同尺度，直接0.5×A+0.5×B没有意义，除非先在本域校准。RRF对每个列表按1/(K+排名)求和；案例K=60是本地起点，不把它写成普适最佳值。只出现于一条路的高排名结果仍可上升，两路同时靠前会相加。

旧常见问题即使算分也不该参与，因为E11 解析器已判已取代；表中保留它只是解释错误的“先融合、后过滤”会怎样污染Top。Microsoft Azure AI Search与Elasticsearch官方资料都说明RRF合并多个已排序结果，典型公式为排名倒数加和；Elastic还明确排名窗口越大可能提高相关性但增加性能成本。

RRF的K、窗口、路数与权重仍需测试。增加第二个向量字段相当于多一票，可能让语义支路无意加权；同一内容的多表示若不去重也会挤占名次。追踪因此保存每个子列表和贡献，不能只留最终分数。

案例对K=20/60/100与窗口=30/60/100做网格检查，不以测试集最高点直接上线。较小K让单路头部更强，可能放大一个错误精确命中；较大K增加低排名共同出现的影响，也会让重复候选抬升。选择K=60、窗口=60后在盲集确认五类切片没有严重下降，并记录该值只适用于当前两条子项与候选预算。

融合输出还保留“只在词项、只在向量、两路都在”的来源标签。生产中若两路共同命中比例突然下降，可能是嵌入/索引落后、分析器变更或查询分布变化；单看最终RRF 分数很难发现。告警按切片和路径比较分布，不因某一次查询两路没有重叠就报故障。

线性融合、倒数排名融合和学习融合各有前提

Elastic/OpenSearch文档同时展示排名融合与分数标准化/线性类方法，说明实现不只一种。研究论文也指出RRF对参数可能敏感，线性融合在一些设置可更好；所以“RRF免调参且总是最佳”不是本文结论。没有可靠标签时先用RRF+切片评估；积累足够金标准后，在盲集比较标准化线性或LTR。

若训练LTR，功能只能使用放行时可得的信息：词汇/向量排名、字段匹配、权限、新鲜度、查询类别等；不能把人工最终答案或未来点击泄入。权限/状态仍是硬过滤，不作为“低分也许保留”的功能。模型输出保存版本与特征快照，以便事故回放。

重排器只重排小候选集：先问“证据是否支持问题”，再控制算力和尾延迟

交叉编码器类重排器会同时读取查询和段落，比独立嵌入更能识别细粒度交互、否定和条件，但计算量会随候选数增加。案例对倒数排名融合后的前40个候选重排，输出相关等级、分数和可解释标签。它不能读取未授权段落，也不能把“背景相关”改造成“有权威的证据”。

900不是重排器在956个可召回问题上的“准确率”，而是按全部1,000题计算的前5证据成功数。44题缺少候选，是上游召回的限制，重排器无法修复；另外56题已有金标候选，却没有排进前5，才进入重排序和查询标签诊断。ColBERT论文展示了延迟交互如何在独立编码效率与细粒度匹配之间取舍，Elastic官方资料也把多阶段检索描述为：先用便宜方法做宽召回，再用更强模型重排小集合。案例选择交叉编码器只是本地方案，不宣称它是唯一架构。

重排器超过220毫秒预算、服务不可用或队列拥塞时，低风险任务可以降级到融合排名，并在追踪中标明降级。高风险政策问答若基础融合没有达到批准的质量门，就应显示系统错误或转人工，不能静默降低标准。批量结果和缓存只有在查询、权限时间戳、索引与配置完全相容时才能复用。

训练样本把直接证据作正面，把同主题旧版、数字相近但条件相反、同一系列背景段、其他酒店模板和高排名无支持段作难负例。不得把无权限文本送到外部训练服务；保留方式、用途和删除由数据责任人批准。训练、校准与盲家族分离，且人工标签同时保留权威/资格，避免模型学会“文字越像越好”。

重排记录不能只留一个浮点数。至少要保存输入段落编号、截断长度、模型与阈值版本、重排前后位置、超时或降级状态和主要标签。若一个包含关键脚注的段落因为输入截断而下跌，就交给E13或E14修复资料表示。模型迁移时，对同一份前40候选快照同时运行旧、新模型，先确认排序差异，再做端到端测试，便于把候选变化与重排变化分开。

“房门刷卡没反应”怎样从两路120个候选缩到8段证据

用户是H-117酒店值班经理，问“房门刷卡没反应，平台上却显示在线，先查什么？”查询解析器取实体 H-117、门锁、刷卡失败、平台在线、故障排查；没有猜测是电池、网关或权限卡。访问控制列表/状态过滤后，词项靠“刷卡/在线”找操作手册，向量靠现象语义找到“控制器心跳正常但锁端拒绝”的故障树。

retrieval outcome, not final answer
Q-LOCK-8821  role=hotel-duty-manager  entity=H-117  as_of=now
lexical=60  vector=60  union=93  eligible=89  reranked=40  released=8
top evidence:
  LOCK-CONTROL-2026-v2 §5.2  ranks L12/V1/RR1  supports online-vs-lock check
  CARD-OPS-2025-v4 §3.1       ranks L1/V8/RR2  supports card encoding check
excluded:
  LOCK-2022-copy superseded; ADMIN-DEBUG §2 denied
unknown: card type, one door or many; answer layer must clarify/branch

检索结果只说明哪些段可能支持下一步，不直接输出“换电池”。E14会按故障分支组合上下文，答案层逐主张引用并问“一扇还是多扇、员工卡还是住客卡”。这条追踪能回答每路为何命中、什么被硬过滤、重排器看了哪些段和降级是否发生。

复审员可以从追踪记录重建全过程：两路原始120条候选中有27条重复，并集为93条；其中4条因状态、权限或适用范围被排除，剩余89条参与融合，前40条送入重排器，最后8条交给答案层。这里的“排除”不算相关性失败，因为这些资料本来就不可用。若金标段落意外落入排除项，应先检查评估上下文或过滤器，不能立即把它加回来。每一步的输入输出数量都进入检查表；出现负数、无原因数量增加或无原因丢失时，检查自动失败。

用户随后补充“只有一扇门、所有住客卡都失败”，这已经构成新的查询上下文。系统不能直接复用第一轮8段证据，而应生成新的查询编号，只沿用获准的会话事实，重新运行过滤器和检索；旧追踪作为父记录保留。这样既能避免缓存错用，也能比较补充条件让哪些候选上升，支持最终答案解释路径为何改变。

过滤器必须进入每条检索路，向量检索后再过滤可能泄密并把候选集滤空

如果向量检索先取全局前60名再过滤，某位用户真正可用的合格段落可能排在第61名以后，过滤后只剩3条。更严重的是，未授权标题和分数可能已经进入日志或重排器。应使用检索引擎支持的前置过滤、授权分区或可证明等价的迭代方案，并对高选择性权限单独测召回率和延迟。词项与向量检索必须使用同一份资格快照和权限版本。

过滤为空也要诊断：是真无资料、用户无权、实体条件过窄、访问控制列表过期还是ANN在过滤下漏召回。用户响应遵循E11，不泄露受限资料存在性；工程追踪可在受控权限下看到排除原因。任何为了提高召回率而放宽过滤器的实验都不得进入生产比较。

权限负向样本与相关性样本要成对设计：同一问题分别由有权经理和无权外包账号发出。有权版本必须召回金标段落；无权版本连候选、标题和数量都不能暴露。用户转岗后立即重跑，引用打开时再次授权。若索引中的权限时间戳比身份权限版本落后并超过门槛，高风险路径立即停止；低风险是否允许继续由来源合同决定。过滤正确性要求关键故障为0，不能用99.9%的平均值掩盖一次泄露。

高选择性过滤器下另测精确向量预言机与ANN：若授权集合只占全库0.02%，全局近似最近邻搜索再过滤很容易空。可选方案包括原生过滤后的近似最近邻搜索、按租户/业务域分区、迭代扩大候选或在小集合精确搜索，但每种都要测最坏延迟和隔离边界。不能为了性能把所有用户共用一个未过滤向量缓存。

段落与字段是检索接口，不能用参数永久掩盖错误切块

E13将决定实际切块；本文先规定检索契约。段落要有稳定标识符、文档系列与版本、章节、页面或表格坐标、标题路径、语言、内容哈希、访问权限、状态、适用性和来源关系。词项索引保存原文与字段，向量索引使用经过批准的文本表示；两路使用同一段落身份，才能正确去重和引用。

扩大候选数量可能暂时捞回错误切块，却会把延迟、重复和上下文噪声传给下游。发现系统性接口问题后，应建立E13修复任务；修复前可以限制相关任务，不能永久用更大的候选池掩盖问题。重新切块会改变段落编号、向量和金标标签，必须提供迁移关系或重新标注评估集。

延迟、吞吐与成本按阶段预算，并行执行不等于没有成本

词项和向量并行后的阶段延迟，接近较慢支路再加协调开销，而不是85+132毫秒简单相加；但两路仍各自占用算力。案例每1万次查询的15元、55元、68元和228元是本地容量分配结果，用于相对决策，不是供应商报价。把重排输入从40个增加到80个，只多6题的支持段落进入前5，却让95分位延迟增加146毫秒，因此没有采用。

容量测试覆盖正常流量、热点文档系列、高选择性权限、嵌入与重排冷启动、单条支路超时和索引刷新。缓存命中结果单独报告，不能混入冷启动的95分位延迟；查询和结果缓存都要包含访问权限、资料状态和配置版本。E10的优先级与准入规则同样适用于检索服务，批量评估不能挤占交互式政策查询。

成本算式也可以复核。案例每天10万次查询，按30天计算，每月约300万次。若全部采用混合检索加重排序，按每1万次228元计算，约为每月68,400元；全部只用混合检索约为20,400元，差额约48,000元。按路由方案，35%的高价值复杂题重排，50%的普通题使用混合检索，15%的精确题使用词项检索，示意成本为105万×228元/1万次 + 150万×68元/1万次 + 45万×15元/1万次，约34,815元/月。这还没有计入固定容量和冗余，不能直接作为财务报价。

延迟错误预算按路径分别管理。重排路线500毫秒服务等级目标与精确路线150毫秒服务等级目标不能平均成一个好看的数字；子任务超时、部分、降级和空各有状态。上线前以300QPS稳态、600QPS五分钟突发和热点单系列三种负载测试，确认p99、队列、取消和回退不会因重试放大。

指标要把候选缺失、排序失败和无证据误召回分开：一个召回率数字不能指导修复

100个前5漏检问题要建立逐题账簿。44个候选漏检继续拆分为词项、向量表示、近似搜索、过滤器、缺失或不良段落；56个排名漏检继续拆分为融合窗口、重复、重排器、标签争议和多条件覆盖不足。修复必须指向具体层，不能用一句“相关性差”作为关闭理由。

200个负面中的58个重排序高相关候选不是自动错：其中可能是背景材料确实相关但不足支持主张。它们进入可回答性压力测试，检查系统是否拒答；若硬负例常压过直接证据，再回到重排器训练/规则。权限泄露、撤回版本入候选是关键放行门槛，不能与普通nDCG平均。

日报只显示可以采取行动的变化：某个切片召回率下降超过门槛；金标段落已进入候选却跌出前5；负面高分问题簇新增；过滤后空结果激增；95分位或99分位延迟超预算；某个系列的重复占比异常。每条告警附代表性查询编号、变更前后的支路排名、最近来源或配置变更和责任人。没有证据的“相关性看起来变差”，不能直接推动全局调参。

用户反馈进入采样队列后由评审确认。点击了第二条可能说明第一条差，也可能只是要看补充表；“有帮助”不能证明引用支持主张。确认错误才更新失败记录，且一个样本不能直接训练并当天发布，必须经过去敏、去重、负责人标签、拆分隔离和盲测回归。

来源、查询、模型和配置变化都要触发回归

每次运行保存查询集、来源快照、合格段落编号、各支路排名与原始分数、融合与重排配置，以及硬件和负载条件。这样新版本下降时可以重放同一候选，区分是语料变化还是排序变化。具有随机性的近似搜索、并发和缓存场景要多次运行并报告区间，不能只取一次最佳结果。

回归先看关键切片，再看整体。若总体前5证据成功数从900升到906，但否定与金额题从94%跌到82%，不能发布；若95分位延迟超过500毫秒，而收益只出现在低风险探索题，可以只为这条路径启用，不能全局上线。金标变化必须由负责人记录原因，不能为了让新系统通过而重写标签。

来源变更的预期结果也写成断言：新版本生效后当前问题应命中新实体，历史截至仍命中旧实体，旧副本不得占当前候选，引用坐标可打开；若只看整体召回率，这四项可能互相抵消。索引刷新窗口内的结果标过期/错误策略，刷新完成后自动重放受影响系列，而不是等用户再次报错。

配置发布包包含旧/新差异、受影响路径、离线报告、容量结果、金丝雀比例、停止门和一键回滚别名。发布人在记录中确认实际装载的模型/索引/配置哈希与评估一致；若环境自动拉取了不同模型版本，健康检查即失败。回滚后也重跑代表查询并清理不兼容缓存，不能只把流量开关拨回去。

发布按查询类别和风险逐步放量：影子能比较排序，不能代替真实权限与用户结果

影子环境也不能让新检索器读取旧系统用户无权访问的来源；输出虽然不展示给用户，仍然属于数据处理。线上比较时固定答案生成器，或者只比较检索追踪，避免同时更换生成模型。小流量验证的回滚通过路由、配置和索引别名执行，并验证缓存与在途查询不会继续返回新配置的结果。

每周相关性复核只看有影响的簇：零/低召回率、前 5 漏检、负面高排名、过滤为空、超时、用户打开引用后返回、负责人确认错误。点击/停留只用于采样，不奖励耸动或最熟悉文档。季度重做任务分布与容量评审，停止无人负责、收益不足或长期靠例外维持的路径。

小流量验证的决策表把严重错误、支持段落进入前5、无证据时正确停止、95分位与99分位延迟、部分完成与降级率和成本并列。任何权限或撤回资料的硬失败，都要立即回滚受影响路线；普通前5指标回落超过约定区间时暂停放量；容量超预算时可以只关闭重排序，保留已经批准的混合检索。决定由知识产品、内容与访问负责人、搜索工程和运行负责人共同签署，不能由单一模型团队根据总分决定。

运行手册覆盖支路超时、重排器中断、索引延迟、访问权限版本过期、融合异常、重复激增和无结果突增。值班人员先识别受影响的查询类别与来源，再执行预先批准的降级或停止；恢复前检查状态、抽样追踪和回归结果。每月清理没有负责人的同义词、废弃索引、过期评估快照和从未使用的路径，控制系统复杂度。

交付检索证据包：团队能复现每一路排名、融合、过滤、延迟和失败责任

证据包不是一次性交付文档，而是可执行状态。查询分类能生成路由测试，评估集能运行，过滤契约能生成允许/拒绝检查，清单能解析实际索引/模型哈希，失败账本能链接修复和回归。仪表板数字必须能下钻到脱敏查询 ID与排名记录；敏感原文仍按权限打开，不复制到通用报告。

交接验收随机抽10题由非实现人员复现：从题集找到黄金，运行指定配置，查看词汇/向量子项、资格排除、RRF公式、重排序前后与延迟；再用一个旧版、一个无权限和一个无证据反例验证停止。任一步依赖口头解释、个人笔记本或已覆盖日志，交付不通过。所有模板、字段清单、评分门槛、状态记录和运行手册都指定维护负责人与复核日期。

BEIR提供异构检索任务与词项、稠密、晚期交互、重排序的跨域比较，支持不能凭单一任务宣布一种检索器普遍最佳。RRF原论文与Google Research页面给出基于排名融合多套结果的基础；Microsoft与Elastic官方文档说明现代混合实现并行全文/向量并用RRF统一排名、窗口影响质量与性能。Elastic的排名资料说明多阶段检索以便宜算法宽召回，再用更强模型重排较小候选；ColBERT论文提供延迟交互的代表性设计。OpenSearch文档展示分数归一化与排名融合两类处理器，进一步说明融合选择需按本域验证。所有来源核验于2026-07-21。

• BEIR：A Heterogeneous Benchmark for Zero-shot Evaluation of Information Retrieval Models
• Google Research：Reciprocal Rank Fusion
• Microsoft Learn：Hybrid Search Scoring with RRF
• Elastic Docs：Ranking and Reranking
• Elastic Reference：Reciprocal Rank Fusion
• OpenSearch Documentation：Hybrid Search
• ColBERT：Efficient and Effective Passage Search via Contextualized Late Interaction

实际开始时，先抽取50个高频问题，按编号与数字、语义现象、结构筛选和多条件查询分类，并为每题标出当前、有权且适用的金标段落。用调过字段的词项检索和固定模型的向量检索分别取前30名，保存两路排名，不能只看最终答案；对并集做倒数排名融合，再只重排前40个候选。逐题把未命中归因到候选、排序、过滤、资料或标签层，同时记录95分位延迟和负面样本的高排名情况。只有某一切片的收益足以覆盖延迟、成本和新增故障面，才为该类问题启用对应路径。