混合检索与 RRF 重排
并行跑多种召回 + 用 RRF（Reciprocal Rank Fusion）公式合并排名的检索模式。claude-context 的核心检索机制。
为什么单一检索不够
| 检索类型 | 擅长 | 短板 |
|---|---|---|
| Dense 向量 | 概念匹配（"用户登录" 命中 authenticateUser） |
精确符号召不回（"JWT_SECRET" 可能漂掉） |
| Sparse 向量 / BM25 | 精确符号、罕见词（函数名、常量名） | 同义改写完全召不回 |
| 关键词字符串匹配 | 完全精确 | 改写一字就废 |
任何单一信号都有盲区 —— 并集召回 + 智能合并 > 任何单一策略。
Hybrid Search 在 claude-context 的实现
vectorDB.hybridSearch({
queries: [
{ type: 'dense', vector: denseEmb, params: { nprobe: 10 } },
{ type: 'sparse', vector: sparseEmb, params: { drop_ratio: 0.2 } }
],
rerank: { strategy: 'rrf', k: 100 }
})
Milvus 在一个 collection 里同时存 dense + sparse 双向量字段，一次 RPC 完成两路召回 + 重排。
RRF 公式
score(doc) = Σ_i 1 / (k + rank_i(doc))
rank_i(doc)：doc 在第 i 路召回中的排名（1, 2, 3...）k：平滑常数（claude-context 用 100），越大头部排名差异越小
性质：
- 排名信号即可，不依赖各路 score 的绝对量级——避免不同信号量纲不可比的难题
- 多路同时命中得分翻倍，单路命中也有分（不会 0 分丢失）
应用到 Agent 记忆 / RAG 的检索
代码以外的场景同样适用，建议并行跑：
| 信号 | 用途 |
|---|---|
| 向量相似度 | 语义匹配 |
| 关键词 / BM25 | 精确符号、专有名词 |
| 时间衰减 | 最近优先（适合记忆场景） |
| metadata 过滤 | 业务约束（项目、用户、标签） |
最后 RRF 合并即可。这是企业级 RAG 的标配。
与三层搜索协议的关系
three-tier-search-protocol 解决返回多少（先 ID + 摘要，再按需取详情），hybrid + RRF 解决怎么找到（多信号并集）。两者正交、可叠加：
hybrid + RRF → ID 列表 + 摘要 → 按需 get_observations
(找到) (返摘要) (取详情)