RRF 融合排序是什么？为什么混合检索不能直接相加 BM25 和向量分数？

知识点详解：从两张排名表，算出一张融合表

为什么相加原始分数不稳妥？

BM25 分数来自词项匹配等计算，向量分数则取决于模型、向量度量和检索系统的返回约定。它们没有天然统一的刻度。

简单相加会让数值范围较大的一路占优势。归一化是一类方案，但还需要考虑分布变化和权重选择。

RRF 选择绕开原始分数，只使用各路排名。代价是它也舍弃了“第一名比第二名好多少”的原始分数信息。所以它容易使用，不代表任何场景下都最好。RRF 官方说明

用四篇文档手算一次

下面是假设的检索结果，名次从 1 开始：

• BM25：A、B、C。
• 向量检索：B、D、A。

采用排名常数 k = 60。文档 d 的分数为：

RRF(d) = 各路 1 / (k + rank(d)) 的总和。

某篇文档不在某一路候选里，那一路就不给它贡献，不是随便补一个“最后名次”。

文档	BM25 贡献	向量贡献	融合分，约值
A	1/61	1/63	0.032266
B	1/62	1/61	0.032522
C	1/63	0	0.015873
D	0	1/62	0.016129

因此，这个算例的结果是 B、A、D、C。

B 虽然没有拿到 BM25 第一名，但两路排名都是前两名；A 的向量排名稍低，融合后排在 B 后面。这里没有使用原来的 BM25 分数或向量分数。

三个数量，控制的是三件事

先说排名常数。k 越大，同一路相邻名次之间的贡献差距越小；k 越小，头部名次的优势越明显。它不是要检索多少篇文档。

再说候选窗口。如果每一路只拿前三名，排在第四名的文档就无法参与这一轮融合。扩大窗口可能提高覆盖，也会增加后续处理量，不能只改公式就认为召回已经提高。

最后才是返回条数。融合了两百个候选，完全可以只把前十个交给重排器，或选出少量片段进入模型上下文。

在 Elasticsearch 中，这些概念对应具体实现参数，但默认值和参数限制要按照使用版本确认，不能把本文的教学值直接当成生产配置。版本化实现说明

融合前，先统一“同一篇文档”的身份

两路结果如果使用不同 ID，明明是同一个片段，也可能被当成两个候选。

反过来，若把同一文件所有片段都按文件 ID 合成一个，某个片段在一路的名次可能被错误地加到另一个片段上。

因此，参与融合的单位要一致：按文档排序，就统一文档 ID；按 Chunk 排序，就统一 Chunk ID。最终拼上下文时是否再做同文件去重，是后面的事情。

还要注意，各路候选如果来自同一种高度相似的方法，多路“投票”未必提供多少新信息。评测时既看排序，也看资料覆盖和答案证据，不能只看融合分变高了。

面试官继续追问

两路都没找到正确片段，调小 k 有用吗？

没有。k 只改变已有候选之间的分差。需要先检查查询、索引、过滤条件和召回窗口，解决正确资料没有进入候选的问题。

某一路比其他路可靠，可以加权吗？

可以设计加权融合，但那是带权变体，需要说明权重含义并做评测，不能把所有带权公式都说成最基本的等权 RRF。

RRF 排第一，能说明答案有依据吗？

不能。它说明候选在多路排名融合中占优，不证明内容准确或足以回答问题。还需要查看资料来源、适用条件和与问题的对应关系。

面试速记卡

• 基本计算：同一文档各路 1 / (排名常数 + 名次) 相加。
• 名次：通常从 1 开始；没有进入某一路候选，那一路贡献为 0。
• 排名常数：控制头部名次之间的贡献差距，不是 Top-k。
• 候选窗口：控制哪些结果有资格参与融合。
• 能力边界：RRF 不能补回漏检资料，也不负责验证资料真实性。