Hybrid Search

这种搜索方法将传统关键词匹配的精确性与现代 AI 的上下文理解能力相结合，通过利用稀疏和稠密数据表示来检索并排序信息。标准的 搜索引擎 完全依赖精确的关键词匹配（称为 词法搜索），而 向量搜索引擎 则纯粹依赖 语义相似度，混合搜索引擎将这两种方法融合在一起，从而提供高度准确且具备上下文感知能力的结果。

Link to this section工作原理#

典型的混合搜索流水线会同时执行两种不同的检索方法，并将它们的输出融合为一个经过优化的单一排序：

• 词法（稀疏）搜索：使用像 BM25 这样的算法，根据词频对精确的关键词匹配进行评分。这对于检索纯语义模型可能难以识别的特定实体、首字母缩写、产品 SKU 或专业术语至关重要。
• 语义（稠密）搜索：使用 AI 模型生成高维数字数组，以理解查询的深层含义和上下文。即使查询中缺少确切的词语，该系统也能找到相关结果。

一旦两种方法都检索出候选结果，融合算法（最常见的是 倒数排名融合 (RRF)）会将这些列表合并。RRF 根据每个项目在各自稀疏和稠密结果集中的排名计算出一个新分数。这确保了在任一或两种搜索中排名靠前的文档能够排在最前面，从而平衡了广泛的上下文匹配与精准的关键词准确性。

Link to this section现实世界的AI和ML应用#

现代 AI 架构在生产环境中严重依赖这种技术，以克服仅使用单一检索方法的局限性。

• 混合 RAG（检索增强生成）：在企业知识系统中，为 大语言模型 (LLM) 提供最相关的上下文对于防止 幻觉 至关重要。混合 RAG 设置可确保模型检索到符合精确技术约束的文档，同时还能提取语义相关的段落。
• 电子商务和视觉产品发现：零售商利用混合搜索来驱动产品目录。用户可能会搜索“红色跑步鞋”。词法引擎匹配精确的品牌或类别关键词，而 视觉 AI 模型 则使用图像嵌入来呈现视觉上相似的商品。

如今，几乎每一个主流的 向量数据库——包括 Pinecone、Qdrant、OpenSearch 以及通过 pgvector 实现的 PostgreSQL——都原生支持混合搜索。这使得开发者能够在单一基础设施中高效地索引稀疏关键词和稠密向量。

Link to this section为混合搜索生成元数据#

在 计算机视觉 流水线中，你可以从图像中提取有意义的关键词来构建混合索引的稀疏组件。使用 Ultralytics YOLO26，你可以自动对图像执行 目标检测，并将这些 类名 用作 元数据标签。然后，这些关键词标签可以与图像的稠密向量嵌入配对，以实现全面的索引。

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 object detection model
model = YOLO("yolo26n.pt")

# Run inference to detect objects in an image
results = model("store_aisle.jpg")

# Extract predicted class names to be indexed as keyword metadata (sparse data)
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

通过使用精确的 AI 生成的稀疏关键词丰富稠密的图像嵌入，开发者可以利用 Ultralytics Platform 和兼容混合搜索的向量数据库，构建强大的 多模态搜索引擎，完美地理解数据的显式文本标签和隐式视觉上下文。