Hybrid Search

这种搜索方法结合了传统关键词匹配的精准性与现代 AI 的上下文理解能力，通过利用稀疏和稠密数据表示来检索并排序信息。标准搜索引擎完全依赖精确的关键词匹配（即词法搜索），而向量搜索引擎则完全依赖语义相似度；混合搜索引擎将这两种方法结合起来，从而提供准确且能理解上下文的结果。

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，并将它们的结果融合为一个经过优化的排序列表：

• 词法（稀疏）搜索：使用 BM25 等算法，根据词频为精确关键词匹配打分。这对于检索特定实体、缩写、产品 SKU 或专业术语至关重要，因为纯语义模型可能难以识别这些内容。
• 语义（稠密）搜索：使用 AI 模型生成高维数字数组，以理解查询更深层的含义和上下文。即使搜索查询中没有出现完全相同的词语，系统也能找到相关结果。

两种方法各自检索到候选结果后，融合算法（最常见的是倒数排名融合（RRF））会将结果列表合并。RRF 根据每个条目在相应稀疏和稠密结果集中的排名计算新分数。这能确保在任一或两种搜索中排名靠前的文档排到前面，在广泛的上下文匹配与精准的关键词匹配之间取得平衡。

AI 和 ML 的实际应用#

现代 AI 架构大量采用这项技术，以克服生产环境中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，同时也能找到语义相关的段落。
• 电子商务与视觉商品发现：零售商使用混合搜索为商品目录提供搜索能力。用户可能会搜索“红色跑鞋”。词法引擎会匹配准确的品牌或类别关键词，而视觉 AI 模型则利用图像嵌入展示视觉上相似的商品。

如今，几乎所有主流向量数据库（包括 Pinecone、Qdrant和 OpenSearch）都原生支持混合搜索；PostgreSQL 也可以将 pgvector与内置全文搜索结合使用。这样一来，开发者就能在单一基础设施中高效地索引稀疏关键词和稠密向量。

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，构建混合索引的稀疏部分。使用Ultralytics YOLO26，你可以自动对图像执行目标检测，并将类别名称用作元数据标签。随后，可以将这些关键词标签与图像的稠密向量嵌入配对，进行全面索引。

from ultralytics import YOLO

# 加载推荐的 Ultralytics YOLO26 目标检测模型
model = YOLO("yolo26n.pt")

# 运行推理，在图像中检测目标
results = model("store_aisle.jpg")

# 提取预测的类别名称，将其作为关键词元数据（稀疏数据）进行索引
keywords = [model.names[int(box.cls)] for box in results[0].boxes]
print("Sparse keywords for lexical search:", keywords)

通过使用精准的 AI 生成稀疏关键词丰富稠密图像嵌入，开发者可以借助 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，理解数据中明确的文本标签和隐含的视觉上下文。