这篇文章探讨了向量检索的理论极限，指出在高维嵌入中，单向量模型无法有效表示所有检索结果。研究表明，查询复杂度增加时，单向量模型表现显著下降，无法满足高风险领域需求。文章建议结合BM25和密集检索，以弥补不足，并强调多向量模型和交叉编码器的重要性。

向量检索在RAG系统中应用广泛，但存在理论限制。研究显示，单向量模型在复杂查询时维度不足，表现不佳。BM25在词汇匹配中表现优异，但在语义匹配上不如向量模型。为提高检索效果，结合BM25与向量检索或采用Cross-encoder等多向量模型是必要的。

多向量模型在复杂文档检索中表现优越。ColBERT通过保留每个标记的向量并使用MaxSim机制进行精确匹配，提升了查询的相关性。Qdrant支持文本和视觉文档的高精度检索。

多阶段检索结合了快速单向量模型和高质量多向量模型的优点，通过预取阶段获取更多候选文档，并在重排序阶段使用ColBERT提高检索质量。过采样确保候选集足够大，以提高找到最佳文档的机会。Qdrant的通用查询API简化了多阶段检索的实现，适用于大规模文档集合。