用途：在确认嵌入模型与 HNSW 配置合适后，指导选择 Qdrant 的高级检索策略。
主要能力与用法： 关键词遗漏时可用稠密加稀疏的 prefetch 与融合混合搜索；能用学习式稀疏模型（miniCOIL、SPLADE、GTE）时优先于原始 BM25；非英文需相应配置 BM25 参数；RRF 是良好默认值并支持加权（v1.17+），技术文档场景 DBSF 配合非对称限制（sparse_limit=250、dense_limit=100）可能优于 RRF，融合也可通过重排序完成。召回好但排序差时用 FastEmbed 交叉编码器重排序，ColBERT/ColPali/ColQwen 因后期交互更精确但较重，多向量表示建议不为其建 HNSW。明明存在却搜不到时用相关性反馈（RF），反馈模型可为双编码器、交叉编码器、后期交互模型或 LLM 评判，3 至 5 个评分即可，可多次迭代；RF Query 目前基于三参数朴素公式，无通用默认值，需按数据集、检索器与反馈模型调参。结果过于相似时用 MMR（v1.15+），diversity 可从 0.5 起调，但比标准搜索慢。有正负样例时可用 Recommendation API（Best score 策略适合多样样例并支持仅负例）与 Discovery API 上下文对。有业务排序需求可用 Score Boosting。
限制与注意：纯向量质量未验证前不要用混合搜索；非英文 BM25 未正确配置停用词会严重降低效果；加入相关性反馈后应做评估。