用途：在 RAG 系统中实现混合检索，把向量相似度与关键词匹配结合，以弥补单一检索方式的不足。资料称混合检索可带来 15-25% 的召回提升。
主要能力与模式：
- 倒数排名融合 RRF：用 1/(k+rank+1) 累加多路检索结果的融合评分并重新排序，k 默认 60。
- LangChain Ensemble Retriever：用 BM25Retriever 与向量检索器组合，通过 weights 调权，示例权重为 [0.4, 0.6]。
- LlamaIndex 混合检索：vector_retriever 与 BM25Retriever 组成 QueryFusionRetriever，支持 num_queries 查询扩展与 mode="reciprocal_rerank"。
- Qdrant 直连实现：用 query_points 搭配 dense 与 sparse 两路 prefetch，并以 FusionQuery(fusion=Fusion.RRF) 融合。
重排序：可选用 CrossEncoder（如 cross-encoder/ms-marco-MiniLM-L-6-v2）对候选文档打分重排，或调用 Cohere rerank 接口（如 rerank-english-v3.0）。
权重参考：技术文档 0.5/0.5，法律合规 0.4/0.6，创意内容 0.7/0.3，产品目录 0.3/0.7，代码仓库 0.4/0.6。
必要用法与建议：始终在你的数据上对纯向量、纯关键词与混合三种方案做基准测试；权重从 0.5/0.5 起经验性调整；混合检索后加重排序效果更佳；可按查询类型路由（精确匹配走关键词，语义查询走向量）；关注延迟并尽量加缓存。
适用场景：需要同时处理精确匹配（产品编号、ID、名称、错误码）与语义/改写查询的 RAG 检索。
限制：资料未提供具体性能数据、收费与价格、部署平台要求、完整配置步骤及评测基准，上述内容暂未提供；示例代码中的参数与模型需按实际环境验证。