检索策略与结构化回答

说明混合召回、重排、查询改写、多跳、图汇总和数据库计算的条件。

候选与排序

词法检索依精确词项与统计，可能漏同义、语体和跨语言表达；稠密表示可补语义相关，却可能混淆低频身份。混合召回用不同信号扩大覆盖。两种原始分数不一定可比，可采用校准加权或基于排名的融合，效果按语料和查询测量。

排名融合可避免直接比较不同得分尺度，仍受各路质量和截断长度影响。向量与混合检索完整解释融合和 RRF；回答任务需要测融合后是否留下全部关键证据。

cross-encoder 联合读取查询与候选，取得词级交互，以额外计算换相关性判断。ColBERT 类 late interaction 保留文档 token 表示，查询时匹配，兼顾部分预计算和细粒度信息，增加索引体积。ColBERT

通用模型可以按列表或评分细则重排，受顺序、窗口、格式和注入影响。重排只作用于已进入候选的材料，无法从空候选恢复丢掉的证据。候选数、延迟与下游回答质量需共同比较。

单向量、token 多向量与联合编码提供不同交互深度，完整机制在神经检索表示和匹配与重排维护。检索增强回答关心的是候选是否涵盖所需事实、正确身份与关系，而非某条排名策略的名字。

改写将口语、代词或复合问题转为检索表达。多查询扩展增加覆盖，也增加查询和融合工作。HyDE 先生成假设文档再检索，其内容只是检索线索，不能作为回答证据；错误实体会将检索引向错误区域。HyDE

多跳根据已得材料产生下一查询，适合答案需要组合路径的任务。每跳都要核对事实身份和新信息，避免把第一跳误读固化。模型自判证据够用、连续无新信息、轮数/时间/预算上限可以组合；没有硬上限时尾部延迟会失控。

Self-RAG、Adaptive-RAG 等方法把是否检索和路由纳入模型或分类器控制，不代表它们对任何问题更好。评价需记录不检索、单次、多次各分支覆盖与最终成功。Self-RAG、Adaptive-RAG

“所有材料反映什么趋势”需要覆盖全体或声明代表性样本；“A的供方再关联哪些对象”需要关系路径。普通 top-k 局部检索未必足够，可以扩展图、分解查询、分层摘要或直接执行结构化查询，不能一概宣称向量信息永远无法帮助。

GraphRAG 抽取实体和关系，构造社区与报告，local/global 等路径取得不同语境。项目方法图与摘要都是派生材料，抽取错误、身份合并、失真和更新成本会进入回答。社区汇总的流畅文字不替代原始来源；引用需要回到其真实支撑范围。

增量图、双层实体/关系检索等方案调整更新和成本，效果取决于任务和实现。需要全量重建还是局部合并，属于所用版本接口，不能由项目名称决定。

计数、求和和时间范围的结果需要确定的数据覆盖与计算规则。Text2SQL 用模型把问题转为查询，数据库执行计算；schema、单位、时区、去重和权限必须正确。模型写出合法 SQL 仍可能问错表或少一个过滤条件。

将 schema 和业务定义作为检索资料可以帮助生成查询。查询执行使用受限身份、允许操作、参数和结果预算；未知字段、跨租户和破坏性语句在执行前处理。参考答案必须由相同口径计算，不能以模型裁判觉得数值“合理”验收。