混合搜索与重排序
内容提要
本教程介绍在 Qdrant 中构建混合搜索并结合重排序：使用稠密嵌入进行语义搜索、稀疏 BM25 进行关键词搜索，再用 ColBERT 后期交互模型对候选结果重排序。数据以三种嵌入存入集合，检索时并行预取稠密与稀疏结果，最后用多向量模型精排，可显著提升相关性，但需权衡成本与延迟。
延伸解读
重排序如何提升混合搜索精度
文章指出，混合搜索通过稠密与稀疏检索扩大召回，但RRF融合默认平等对待两路信号，可能让关键词匹配强但语义无关的结果排名靠前，例如“Station Eleven”因包含“traveling”而进入前列。引入ColBERT后期交互模型对候选集重排序后，能捕捉词级交互，使真正相关的书籍排名上升。对比显示，重排序后前五名均与时间旅行高度相关，而RRF结果中混入了仅关键词匹配的条目。
三向量存储与检索流程解析
教程在Qdrant集合中为每个文档存储三种向量：384维稠密向量用于语义搜索，稀疏BM25向量用于关键词匹配，96维多向量ColBERT用于重排序。检索时并行预取稠密和稀疏结果各20条，再分别用RRF融合或ColBERT重排序。注意多向量配置中设置m=0以禁用HNSW索引，因为该向量仅用于重排序而非ANN检索，这有助于节省索引开销。
成本与延迟的权衡建议
文章提醒，后期交互模型计算成本较高且需要显著存储空间。最佳实践包括持续测试和监控以避免过拟合，并在相关性与成本间取得平衡。对于许多场景，简单的RRF融合已足够有效；仅当查询对精度要求极高时，才值得启用ColBERT重排序。由于重排序只作用于预筛选的小候选集，因此能在保持速度的同时提升相关性。
Q&A
混合搜索和重排序分别解决什么问题？
混合搜索通过稠密和稀疏嵌入同时进行语义和关键词检索，扩大召回范围；重排序则对初步检索到的候选结果用更精细的模型（如ColBERT后期交互）重新排序，提升精度。两者结合能在保持低延迟的同时提高相关性。
在Qdrant中实现混合搜索需要哪些嵌入模型？
需要三种嵌入模型：稠密嵌入（如sentence-transformers/all-MiniLM-L6-v2）用于语义搜索，稀疏嵌入（如qdrant/bm25）用于关键词搜索，后期交互嵌入（如answerdotai/answerai-colbert-small-v1）用于重排序。
混合搜索的检索流程是怎样的？
用户查询被转换为稠密、稀疏和后期交互三种嵌入。然后并行执行稠密和稀疏检索，各取前20个候选，再用RRF融合或直接用后期交互模型重排序，最终返回前10个结果。
重排序相比RRF融合有什么优势？
RRF融合平等对待稠密和稀疏信号，可能无法捕捉查询与文档词项的细微交互。而后期交互模型（如ColBERT）能进行更细粒度的词级匹配，从而更精准地排序，提升相关性。
使用重排序时需要注意哪些成本或延迟问题？
重排序计算成本较高，后期交互嵌入需要大量存储。建议在相关性和成本之间平衡：简单融合方法如RRF适用于许多场景，而后期交互模型可保留给对精度要求高的查询。
在Qdrant中如何配置集合以支持混合搜索和重排序？
创建集合时需定义三个向量：稠密向量（如384维，余弦距离）、多向量（如96维，余弦距离，使用最大相似度比较器，并设置m=0禁用HNSW索引）、稀疏向量（使用IDF修饰符）。
