【计算机毕业设计案例】基于 SpringBoot 的员工档案录入查询系统的设计与实现 基于 SpringBoot 的中小型企业人事管理系统(程序+文档+讲解+定制)
2026/6/27 6:08:24
Alex：上次聊了分块，今天聊检索。你们 RAG 系统，检索这块怎么做的？
小七：向量检索，用的 Milvus，Embedding 模型是 bge-large-zh-v1.5。
Alex：就纯向量检索？
小七：对。
Alex：为什么不加 BM25？
小七愣了一下。
小七：BM25……就是传统的关键词检索？我们觉得向量检索语义理解更好，BM25 太老了。
Alex：太老了，所以不用？
小七：嗯……主要是觉得向量检索已经够用了。
Alex：我给你一个场景：用户搜"RFC 7231"，你们的系统会返回什么？
小七想了想。
小七：会返回和 HTTP 协议语义相关的文档……
Alex：那篇明确写了"RFC 7231"的文档，排第几？
小七沉默了几秒。
小七：不一定排第一。向量检索看的是语义空间的距离，"RFC 7231"这个字符串本身不一定和它的 Embedding 最近。
Alex：对。这就是纯向量检索的第一个问题。
📌知识锚点 · 纯向量检索的三个致命问题
- 精确匹配差：专有名词、编号、代码片段（如
RFC 7231、GPT-4o、error_code: 4029）在语义空间里"找不到自己"。
- 专业术语召回低：领域术语（如医学、法律、金融）的 Embedding 可能和通用语义偏差大。
- 新词/生僻词丢失：模型训练时没见过的词，Embedding 质量差，检索直接失效。
BM25 不是"老技术"，是互补技术：它做的是字面匹配，向量检索做的是语义匹配，两者覆盖的是不同的失败场景。
第二幕：BM25 怎么工作？
Alex 没有停，继续往下推。
Alex：BM25 的原理，说一下。
小七：BM25 是基于词频的检索算法，一个词在文档里出现越多、在整个语料库里越稀有，得分越高。比 TF-IDF 多了文档长度归一化。
Alex：公式能写出来吗？
小七：大概是……
其中 是词在文档里的词频，是文档长度，是平均文档长度，和是超参数，通常，。
Alex：和 分别控制什么？
小七：控制词频饱和度—— 越大，词频对得分的影响越大，但会有边际递减； 控制文档长度归一化的程度， 完全归一化， 不归一化。
Alex：好。那 BM25 有什么做不到的？
小七：同义词。用户搜"汽车"，文档里写的是"轿车"，BM25 完全匹配不上。向量检索能处理这种语义等价的情况。
Alex：所以两个要一起用。
小七：对，混合检索。
📌知识锚点 · BM25 vs 向量检索
维度 BM25 向量检索 原理 词频 + 逆文档频率 语义空间距离 擅长 精确匹配、专有名词、编号 同义词、语义理解、模糊查询 失败场景 同义词、语义等价表达 精确字符串、新词、生僻词 计算成本 低（倒排索引） 高（ANN 近似最近邻） 结论：两者是互补关系，不是替代关系。生产环境混合检索是标配。
第三幕：两路结果怎么合并？
Alex 拿起笔，在纸上画了两列。
Alex：向量检索返回一个排序列表，BM25 返回一个排序列表，怎么合成一个最终结果？
小七：加权融合？把两路的分数乘以权重加起来，按总分排序。
Alex：权重怎么定？
小七：嗯……可以调参，或者根据查询类型动态调整——精确查询多给 BM25 权重，语义查询多给向量权重。
Alex：加权融合有什么问题？
小七想了想。
小七：两路的分数量纲不一样。向量检索返回的是余弦相似度，范围 0 到 1；BM25 返回的是一个没有上界的分数，直接加权不合理。
Alex：对。所以生产上更常用什么？
小七：RRF——Reciprocal Rank Fusion，倒数排名融合。不看分数，只看排名。
Alex：公式？
小七：每个文档的 RRF 得分是它在各路结果里排名的倒数之和：
def rrf_merge(vector_results, bm25_results, k=60): scores = {} for rank, doc in enumerate(vector_results): scores[doc.id] = scores.get(doc.id, 0) + 1 / (k + rank + 1) for rank, doc in enumerate(bm25_results): scores[doc.id] = scores.get(doc.id, 0) + 1 / (k + rank + 1) return sorted(scores.items(), key=lambda x: x[1], reverse=True)通常设 60，是个平滑参数，防止排名第一的文档得分过高。
Alex：RRF 的优势是什么？
小七：不需要对两路分数做归一化，也不需要学习权重，鲁棒性更好。两路结果都排前面的文档，最终得分最高。
Alex：效果怎么样？
小七：混合检索相比纯向量检索，召回准确率能提升 1%-9%，具体看场景。
Alex：你们上了混合检索吗？
小七：没有……我们还是纯向量。
Alex：为什么？
小七：当时评估觉得够用，没有专门做过对比实验。
Alex：你们怎么判断"够用"的？
小七停顿了一下，意识到这个问题没有好答案。
小七：主要是用户反馈，没有系统的评估指标。
Alex：嗯。
📌知识锚点 · 两路结果合并：加权 vs RRF
方案 原理 优势 劣势 加权融合 分数 × 权重求和 直觉简单 量纲不统一，权重难调 RRF 排名倒数求和 无需归一化，无需学习权重，鲁棒 忽略分数差距信息 RRF 参数 k=60：平滑参数，防止第一名得分过高。实践中 k 在 20-100 之间效果差异不大，60 是经验默认值。
混合检索效果：相比纯向量检索，召回准确率提升 1%-9%（arXiv:2410.20381）。提升幅度取决于知识库中精确匹配需求的比例。
第四幕：Rerank，值得加吗？
Alex 看了看时间，还有十分钟。
Alex：混合检索之后，你会加 Rerank 吗？
小七：会。混合检索拿到 Top-20 候选，再用 Cross-Encoder 精排，取 Top-5 给 LLM。
Alex：为什么检索阶段不直接用 Cross-Encoder？
小七：Cross-Encoder 要把 query 和每个文档拼在一起过一遍模型，计算量是 O(n)，百万级文档根本跑不完。Bi-Encoder 是 query 和文档分别编码，可以提前把文档向量存好，检索时只算 query 的向量，再做 ANN 近似最近邻，速度快几个数量级。
Alex：Cross-Encoder 为什么精度更高？
小七：Bi-Encoder 是独立编码，query 和文档之间没有 token 级别的交互。Cross-Encoder 把两者拼在一起，模型能看到 query 里每个词和文档里每个词的关系，精度更高，但慢。
Alex：Rerank 的效果数据，有印象吗？
小七：加了 Rerank 之后，Top-5 召回率能从 71% 提升到 89%，Top-3 准确率从 65% 提升到 84%——这是某个测试场景下的数据，不同场景会有差异。
Alex：什么情况下可以不加 Rerank？
小七：检索数量很少，比如只检索 3-5 个文档，而且索引质量已经很高的情况下，Rerank 的收益有限，可以省掉这一步降低延迟。
Alex：Rerank 的延迟大概多少？
小七：取决于候选集大小和模型大小。Top-20 候选用 bge-reranker-v2-m3，大概 50-200ms，具体要看部署环境。
Alex：好，今天就到这里。
📌知识锚点 · 双阶段检索架构
查询 ↓[粗筛] 向量检索 + BM25 → Top-20~50 候选（毫秒级） ↓[精排] Cross-Encoder Rerank → Top-3~5（50-200ms） ↓LLM 生成
阶段 模型类型 速度 精度 处理量 粗筛 Bi-Encoder 快 近似 百万级 精排 Cross-Encoder 慢（约慢100倍） 精确 Top-20~50 常用 Rerank 模型：
- •
bge-reranker-v2-m3：中文效果好，开源可本地部署- •
bce-reranker-base_v1：中文场景轻量级- • Cohere Rerank：API 调用，英文效果好
加了 Rerank 的效果：Top-5 召回率 71% → 89%，Top-3 准确率 65% → 84%（特定测试场景）。
面试结果
走出会议室，小七看了眼手机——面试整整一小时。
第二天，HR 发来消息：“两轮技术面都通过了，下周 Offer 沟通。”
小七在备忘录里写下一行字：回去把 BM25 加上，做个 A/B 测试。
💬小七的复盘
“今天最大的教训：'够用’不是一个答案，‘我们没有系统评估过’才是真相。Alex 问’你们怎么判断够用的’，我答不上来——不是因为不懂技术，是因为我们从来没有认真量化过检索质量。下次面试，这个坑我不会再踩。”
学AI大模型的正确顺序，千万不要搞错了
🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！
有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！
就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋
📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇
学习路线:
✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经
以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！
我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～