用融合与重排补足“单一路径”的盲点，提升相关性与稳定性。

🎯 文章目标

• 介绍融合检索与重排的常见做法
• 给出 LLM 评分重排与 RRF 融合示例
• 明确取舍与评估维度

📚 背景/前置

• 融合：将 BM25/向量/语义/规则等多路召回结果融合
• 重排：对候选做二次排序，提高最终质量

🔧 核心内容

1) 融合检索（RRF）

• 公式：1/(k + rank)
• 做法：对多路召回结果按排名转分后求和，取 Top-K

2) LLM 评分重排

• prompt：给出问题与片段，让模型输出可比较的分数
• 代价：增加延迟与成本；可用小模型做预筛

💡 实战示例：Node.js RRF

function rrf(lists, k=60){
  const score = new Map()
  for (const list of lists){
    list.forEach((id, i)=> score.set(id, (score.get(id)||0) + 1/(60 + i)))
  }
  return [...score.entries()].sort((a,b)=>b[1]-a[1]).map(([id])=>id)
}

📊 对比/取舍（速查）

• 融合：稳健，但实现更复杂
• 重排：效果提升明显，但成本上升

🧪 踩坑与经验

• 评分不一致：需要规范输出范围与格式
• 混合权重：需离线调参与在线 A/B

📎 参考与延伸

• RRF/Reciprocal Rank Fusion
• 交叉编码器/小模型预筛 + LLM 重排

💭 总结

• 在召回不稳或语料异构时，优先尝试“融合 + 重排”，并做好评估成本的权衡