第7章 用 RRF 合并可解释的召回通道
词面检索擅长精确术语，模型向量可能补回同义改写。直接相加原始分数却很危险：FTS5 的 BM25 越小越靠前，余弦越大越靠前，两者数值范围与含义都不同。混合检索需要明确融合规则，而不是给两列数字随便配权重。
只使用名次的融合
随书实现采用 Reciprocal Rank Fusion，简称 RRF。对于候选片段，分别查找它在词面和向量列表中的名次，每个出现的通道贡献 1 / (60 + rank)，再把贡献相加。名次从一开始，不在某个通道中出现就不获得该通道贡献。
如果一个片段在两个通道都排名第一，融合分数为 2 / 61；另一个片段只在一个通道排名第一，得到 1 / 61。这个例子解释了融合偏好多个通道支持的候选，也提醒我们：两个通道若高度相似，重复支持并不等于增加了独立证据。
常数六十沿用 Cormack 等人的 RRF 论文 中的参数。论文在自己的实验条件下选择并验证它，本书没有重新证明六十最适合中文企业知识库，也没有把论文的提升幅度移植到本书结果中。
保留每个通道的痕迹
每条命中保存 channels，其中包含通道名、原始名次与原始分数，还保留总 rrf。读者可以从 JSON 直接重算融合值。测试 test_hybrid_exposes_channels_and_rrf_arithmetic 就用实际搜索结果验证这个等式，而不只检查出现了名为 RRF 的函数。
这种可观察性对排错很关键。若退款文档被排到后面，先看它是否进入过候选池，再看各通道名次，最后检查重排特征。一个未召回的文档不可能被重排拯救；一个召回后被标题规则降下去的文档，也不能归咎于向量模型。
每个通道最多保留一百个候选，最终返回数量由调用者设置，范围一到一百。这个上限控制教学实现的候选规模，也形成召回边界。如果相关文档位于通道第一百零一名，融合看不到它。评估候选深度时应同时记录权限后的候选数量，而不只记录最终答案数。
混合不承诺总会更好
使用词项向量时，词面、向量与混合三个模式在当前数据上都是零点九。使用真实 BGE 时，向量与混合都为一点零，混合没有超越表现最好的单一通道。三个负例的空结果行为也相同。
因此，本书没有“混合一定优于向量”的实验结论。融合提供结构上可解释的组合方式，实际效果取决于通道的互补性、候选深度与后续排序。若新通道不断引入噪声，RRF 也可能改变原本正确的顺序。
把词面、向量和混合三份报告同时保存，比只公布最好的数字更有用。下一章继续检查融合后的重排，并区分排序收益、证据重复和真正的相关性判断。