← Каталог

· 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