本文介绍LLM Wiki在企业合规知识问答中的实践，面临三道坎：并发编译导致38%页面重复，通过串行规划解决；目录摘要有损压缩导致查询遗漏，用BM25全文检索补充，命中率从70%提升至92.7%；人工修正被重编译覆盖，用语义pin保存修正意图。最终强调LLM Wiki适合少而精的知识，非RAG替代品。

pgEdge ColdFront新增混合搜索功能，在PostgreSQL内结合密集向量与BM25稀疏向量，通过RRF融合结果。支持精确术语匹配和概念查询，可调p_alpha平衡权重。在pgEdge集群中，嵌入自动复制，实现高可用搜索，降低存储成本。

本文介绍了在RAG系统中实现混合语义-词汇搜索的方法，结合BM25词汇搜索与语义搜索，通过互惠排名融合（RRF）进行整合。混合搜索策略有效提升了检索效果，提供了Python实现的详细步骤，包括库的安装、数据集加载、BM25和语义搜索的独立执行及结果融合。通过示例查询，展示了混合搜索的优势。

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。

混合搜索结合了BM25和向量检索，克服了纯向量和关键词搜索的不足，提升了检索准确性，适用于技术文档及法律医疗领域。通过双路径处理，优化查询结果，降低LLM成本，提高上下文质量。Redis支持混合搜索，简化操作，适合构建RAG系统和智能代理。

pg_textsearch是基于Postgres的BM25索引扩展，提供高效的全文搜索。它通过内存中的反向索引和块最大WAND算法优化查询速度，支持快速排名和并行构建索引。与ParadeDB相比，pg_textsearch在短查询上表现更佳，索引大小更小，但不支持短语查询和模糊匹配。

本文讨论了稀疏嵌入在电子商务搜索中的优势，特别是相较于BM25的29%提升。稀疏嵌入通过保留单个词汇的信号，解决了密集嵌入模糊匹配的问题，确保了精确匹配。SPLADE模型通过学习相关词汇扩展查询，提升了搜索结果的准确性。后续文章将详细介绍训练和评估过程。

向量搜索在人工智能中受到关注，但在检索增强生成（RAG）应用中，全文搜索提供更高精度。BM25算法通过词频、文档长度归一化和逆文档频率优化搜索结果。混合检索系统结合全文搜索与向量搜索，实现关键词精确匹配和语义回忆，提升检索质量。

Elasticsearch结合BM25和向量搜索实现混合搜索，而Postgres也支持这些功能，简化了数据管理，消除了同步问题，提高了搜索效率。

Postgres在搜索方面存在局限性，常需借助Elasticsearch等工具。BM25算法通过优化关键词频率、文档长度和相关性评分，提高搜索结果的准确性。结合BM25和向量搜索的混合方法，可以更好地满足AI代理和RAG管道的需求。pg_textsearch是一个开源解决方案，旨在提升Postgres的搜索能力。

Tiger Data（前称Timescale）开源了pg_textsearch，这是一个基于BM25算法的PostgreSQL文本搜索扩展，旨在提升搜索相关性和性能，特别适用于AI应用。创始人Mike Freedman指出，开发者需要更好的搜索工具以满足AI搜索需求。pg_textsearch结合了关键词搜索和向量搜索，提升了搜索效率。

Tiger Data推出的Agentic Postgres是一款专为AI代理和开发者设计的Postgres数据库，支持快速分叉、MCP服务器和BM25向量搜索，提供CLI终端访问，旨在满足现代开发需求，实现快速实验和高效数据库操作。

pg_textsearch是一个Postgres扩展，旨在满足现代AI应用的需求，结合BM25排名和简单事务处理，提升检索质量，适用于RAG系统和混合搜索，支持向量搜索与关键词匹配的结合。