在实际的检索系统中，单一召回策略往往难以兼顾不同类型的问题。例如，关键词搜索（如 BM25）擅长匹配精确术语，但在理解语义相近的表达上力不从心；向量检索（Dense Retrieval）能捕捉语义相似性，却可能漏掉罕见但关键的专业缩写或固定编号。为了让最终结果既全面又相关，通常的做法是同时运行多路召回，然后将它们的结果合并去重，再送入后续的重排序或生成环节。
1. 为什么需要多路召回
不同类型的问题对“相关”的定义差异很大：
- 精确查询：如“合同编号 BG-2024-0882”，要求精确匹配字符串。
- 概念性查询：如“怎样处理客户投诉”，更依赖语义理解。
- 混合查询：如“去年Q4华北区的促销政策”，既有时间、地域等筛选条件，又需要理解“促销政策”的语义。
单一召回很难同时在所有这些场景上表现良好。多路召回通过并行使用多种检索器，让系统对不同风格的问题都有基本的应对能力——先“广撒网”把可能相关的候选文档都捞回来，再在后续环节精细筛选。
2. 常见的召回路径
可以根据业务场景选择组合，常见的几类路径包括：
- 向量语义召回：将问题和文档片段转换为向量，通过余弦相似度等度量查找语义相近的内容。适合捕获改写、同义词、长文本匹配。
- 全文关键词召回：如 BM25 或 Elasticsearch 的倒排索引搜索，擅长匹配精确术语、代码、缩写、编号。对于包含强标识符的查询非常关键。
- 元数据过滤：基于文档属性（如时间、分类标签、作者、部门）进行精确筛选。这不是独立的召回通道，但可作为前置过滤条件与上述路径结合，减少无效检索。
- 细粒度重叠召回（可选）：针对某些场景，还可以引入基于 n-gram 或实体的召回，例如对关键人名、地名、产品型号做专门索引。
实用建议：并不是通道越多越好，两到三路高互补性的召回往往性价比最高。典型的组合是“向量检索 + BM25 关键词检索”，辅以必要的元数据过滤。
3. 合并策略
各路召回返回的结果带有各自的分数，但这些分数的量纲和分布不同（例如向量相似度在 0-1 之间，BM25 分数可能大于 100），不能直接比较数值大小。因此合并之前需要进行分数对齐或排名融合。
常用的合并策略：
- RRF（Reciprocal Rank Fusion，倒排秩融合）
不依赖原始分数，只看文档在各路结果中的排名位置。公式为：
score(d) = Σ 1 / (k + rank_i(d))
其中 rank_i(d) 是文档 d 在第 i 路结果中的排名（从1开始），k 是一个常数（通常取 60），用于平滑排名影响。RRF 实现简单，无需调参对齐分数，实践中表现稳定，是首推的合并方式。
- 线性加权融合
需要先将各路分数归一化到同一尺度（如 Min-Max 归一化或 Z-score），然后根据重要性赋予不同权重求和。这种方法可以灵活调控各通道的贡献，但需要维护归一化逻辑和权重参数，更适合对召回通道理解深入、需要精细控制的团队。
- 优先级串联
在某些对精度要求极高、但对全量性要求稍低的场景，也可采用“先看第一路，不足时再补第二路”的串行策略。例如优先使用精确的关键词结果，如果返回数量不足，再触发向量召回。这种方式简单，但会增加延迟，不适合实时性要求高的场景。
4. 去重方法
不同召回通道可能返回相同的文档片段，合并后必然出现重复。去重一般在合并之后、排序之前进行，常见的去重维度：
- 基于文档 ID 去重：以文档切片的唯一标识（如 chunk_id）为准，保留分数最高的那一个副本。这是最基本也是最可靠的方式。
- 基于内容哈希去重：如果同一知识库可能通过不同来源引入相同内容，但 ID 不同，可对文本内容计算哈希（如 MD5 或 SHA256），将内容完全一致的片段视为重复。不过要注意，内容相同的片段如果来源文档不同，可能会附带不同的元数据（如章节、页码），去重后需要保留最完整的信息。
- 近似去重（可选）：当存在大量相似但不完全相同的片段（如相邻切分时出现重叠），可以根据文本相似度阈值进行去重。但这会增加计算开销，一般通过优化切分策略从源头解决。
实用做法：在大多数情况下，基于 chunk_id 的去重已经足够，因为同一个 chunk 在知识库中通常只有一份。多路召回只是从不同角度找到了它，保留最高分即可。
5. 真实场景配置示例
某公司内部知识库助手采用以下多路召回方案：
- 向量检索：基于 OpenAI text-embedding-3-small，召回 Top-20。
- BM25 关键词检索：由 Elasticsearch 提供，召回 Top-20，并对“编号”“日期”字段加权。
- 合并：使用 RRF（k=60），将两路结果融合，取排名前 30。
- 去重：对相同 chunk_id 的记录保留 RRF 排名最高的那条。
- 若有特殊过滤需求（如只查最新版本文档），在检索时加元数据过滤，不参与后续合并。
效果上，相比单一向量检索，多路合并后 Top-5 的准确率提升了约 12%，且对包含产品编号的问题几乎不再出现漏答。
6. 注意事项
- 监控召回质量：定期抽检各路召回的命中情况，特别是关键词召回是否遗漏了术语变体，向量召回是否在冷门术语上表现不足。
- 通道隔离与容错：各路检索尽可能独立、异步执行，并在代码层面做好超时和异常处理。某一路失败不应影响其他路的服务，保证系统鲁棒性。
- 避免过度合并：如果初步召回数量过大，合并去重后可能仍超过 LLM 上下文窗口，需要配合重排序模型或截断逻辑，确保送入生成阶段的信息精简且高质。
多路召回合并去重并不是复杂的算法，而是务实的工程方法，通过组合互补的检索策略，以较小的开销显著提升了检索的鲁棒性和覆盖度。从实用性出发，推荐从“向量+关键词+RRF”的基础配置起步，再根据实际反馈逐步调整。