· AI Engineer World's Fair 2026
Одних векторов недостаточно: гибридный поиск и извлечение данных
Vector Isn't Enough: Hybrid Search & Retrieval — Jeff Vestal & James Williams, Elastic
Агентам нужен гибридный поиск: BM25 и векторный поиск объединяются через RRF или линейную комбинацию, а reranking подключают только при измеримом выигрыше в точности.
- Нормализация перед объединением — оценки BM25 и векторного поиска лежат в разных диапазонах, поэтому слабое лексическое совпадение часто выигрывает у хорошего семантического по сырому скору. RRF сравнивает только позиции в выдаче и работает без настройки, а линейная комбинация требует нормализовать оценки и подбирать веса.
- Judgment set для подбора весов — набор запросов с размеченными нужными документами (его можно собрать с помощью LLM) позволяет прогнать эксперименты и выбрать веса, которые дают нужную выдачу.
- Фильтры и шаблоны поиска — фильтры по полям сужают пул кандидатов и обычно повышают качество. Search templates позволяют направлять разные типы запросов на разные стратегии: RRF, линейную комбинацию или стратегию с reranking.
- Reranking только по бюджету задержки — pointwise-модель оценивает каждую пару запрос и документ отдельно, listwise сравнивает группу кандидатов вместе и лучше различает почти одинаковые ответы. Авторы советуют сначала проверить, что уже достигается BM25 и векторами, и добавлять reranking, если выигрыш в precision оправдывает задержку на inference.
Кому полезно: тем, кто строит RAG или агентный поиск и решает, как совместить лексический и семантический поиск и где остановиться.
Статья по теме
Главы
Похожие доклады
RAG нужна карта: как GraphRAG извлекает связанный контекст
AI Engineer World's Fair 2026
Близко по содержанию
Поиск по ключевым словам умирает. Готов ли ваш каталог к AI agents?
AI Engineer World's Fair 2026
Близко по содержанию
Agentic-поиск против vector search для coding agents: мы провели eval
Близко по содержанию
Как Bridgewater превратила 100 миллионов документов в конкурентное преимущество
Близко по содержанию


