先搞懂基础：我们把文字转成数字向量存入向量库，用户提问也转成向量，检索器就是在库里找语义最像的内容，下面用大白话讲清所有常用策略。
一、先明白两个基础概念
- 相似度可以理解成 “两个人像不像”。向量数值在向量空间越接近，代表两段文字意思越相近，检索就靠这个判断。
- Top-KK 是数字，比如 K=4，就是最终返回最相关的前 4 条内容。
二、四大基础检索策略（日常最常用）
1. 基础相似度检索（Similarity）
用法：只按语义相似度从高到低排序，直接取出前 K 条。举例：搜 “怎么做番茄炒蛋”，库里所有菜谱按相关度排队，挑最匹配的 4 条。优点：简单、速度快、匹配精准，绝大多数通用场景首选。缺点：返回内容容易高度重复，比如连续好几条都是番茄炒蛋步骤，缺少不同角度的内容。
2. 最大边际相关检索（MMR）
核心逻辑：既要内容相关，又要内容不重复。 先选出一批高相关内容，再从中筛选，踢掉和已选内容高度雷同的条目。举例：同样搜番茄炒蛋，返回的内容会兼顾做法、小贴士、家常版本、饭店版本，丰富不重复。适用场景：需要多角度回答、怕内容同质化的对话、文案生成。
3. 相似度阈值过滤（Similarity Score Threshold）
核心逻辑：设一条 “及格线”，只留下达标内容。 比如设定分数线 0.5，相似度低于 0.5 的内容直接丢掉，哪怕凑不够 K 条也不要。举例：搜 “手机推荐”，库里夹杂大量电脑、耳机内容，这条策略会自动筛掉无关内容，杜绝答非所问。适用场景：数据杂乱、噪声多，对回答准确度要求极高的场景。
4. 元数据过滤检索（Metadata Filter）
核心逻辑：先按标签筛选范围，再做语义匹配。 存入向量库时，会给文档打标签：时间、分类、作者、来源、语种等。检索时先锁定标签范围，再找相似内容。举例：只查「2026 年」「技术类」的文档，自动跳过历史、娱乐内容。适用场景：企业知识库、分栏目文档、有严格分类要求的系统。
三、四种进阶组合策略（解决复杂问题）
1. 混合检索（向量 + 关键词）
纯向量擅长理解语义（比如 “智能手机” 和 “手机” 能识别为一个意思），但对专有名词、数字、代码不敏感。 于是两者搭配：向量负责语义，关键词检索（BM25）负责精准抓名词、编号，结果合并排序。适用：技术文档、合同、代码库、带编号 / 专业术语的资料。
2. 多查询检索
核心逻辑：把用户一句话，拆成好几个角度的问题一起搜。举例：用户问 “夏天怎么养花”，系统自动扩展出：夏天养花注意事项、夏季浇水技巧、夏季花卉防晒，多条问题分别检索，再合并结果。作用：补全用户模糊的提问，搜到更多相关内容。
3. 重排序（Re-Ranking）
两步走：
- 粗搜：先从库里快速找出几十条疑似相关内容（追求速度）；
- 精排：用更精准的模型重新打分、排序，留下最优几条（追求准确度）。特点：牺牲一点点速度，大幅提升检索质量，高端问答、知识库常用。
4. 父子文档检索
核心逻辑：大块文章拆成小片段存储，检索到片段后，连带它所属的完整段落 / 原文一起返回。举例：一本长篇教程，拆成一句一段存库。检索命中其中一句话，系统自动把这句话前后完整上下文都给出来。适用：论文、书籍、长文档、需要完整上下文解读的场景。
四、场景快速选型（一看就会）
- 普通问答、简单知识库 → 用基础相似度检索
- 想要答案丰富、不重复 → 用MMR
- 文档杂乱、严防答非所问 → 加相似度阈值
- 文档分分类、分时间、分部门 → 搭配元数据过滤
- 技术文档、带术语 / 代码 → 用混合检索
- 书籍、论文等长文本 → 用父子文档检索
五、一句话总结
检索器的本质，就是先靠向量找语义相近的内容，再用不同策略做筛选、去重、补全、精准优化。简单场景用基础策略，复杂业务组合进阶策略，最终平衡「速度、准确度、内容多样性」三大目标
