> 一个 RAG 系统同时用了 ES 和 Milvus：ES 擅长关键词，Milvus 擅长语义。两路都返回了一堆文档，接下来该把谁排在前面？ > > 很多人的第一反应是“把两路分数加一下”。问题是，ES 的 BM25 分数和 Milvus 的向量相似度根本不是同一种计量单位，直接相加很容易被其中一路碾压。 > > RRF 解决的就是这个问题：不比原始分数，只比各自的名次。 本文用一个固定例子，把标准 RRF、加权 RRF、平滑常数 k、静态与动态权重一次讲清。

CHAPTER 01

一、为什么 ES 分数和 Milvus 分数不能直接相加

在一个典型的混合检索 RAG 中，用户的问题会同时进入两路：

✔ES 稀疏检索：常用 BM25，擅长关键词、固定术语、编号、实体、结构化过滤和 FAQ。

✔Milvus 向量检索：通过 Embedding 找语义相近内容，擅长长文本、口语化表达、同义改写，以及图片、音频等向量检索。

两路都有自己的分数，但这些分数的值域、分布和含义不同。一个系统的 8 分，不代表它比另一个系统的 0.8 分“恰好强 10 倍”。

这就像一位老师用 100 分制，另一位老师用 5 分制。直接把分数相加，满分 100 的老师天然更有话语权。

RRF 的思路是：先别管考了多少分，只看在各自班级里排第几。

RRF 融合流程

CHAPTER 02

二、RRF 的核心：把名次变成可以累加的贡献

RRF 全称 Reciprocal Rank Fusion，中文通常译为“倒数排名融合”。

标准公式可以写成：

RRF(d) = Σ 1 / (k + rank(d, r))

其中：

✔d：一个文档或 Chunk。

✔r：某一条检索链路，例如 ES 或 Milvus。

✔rank(d, r)：文档 d 在链路 r 中的名次，从 1 开始。

✔k：平滑常数，常见默认值是 60。

✔Σ：把同一文档在各条链路里的贡献加起来。

如果文档没有出现在某一路的召回列表里，这一路对它的贡献就是 0。

最后，按照 RRF 总分从高到低重新排序。一个 Chunk 如果在 ES 和 Milvus 中都靠前，它就能拿到两份贡献，自然更容易排到前面。

所以 RRF 的一个重要思想是 共识优先：两路都认可的结果，通常比只有一路叫好的结果更值得关注。

它有四个鲜明特点：

✔  只使用名次，不使用 BM25 或向量相似度的原始数值。

✔  名次越靠后，k + rank 越大，单项贡献越小。

✔  可以融合不同引擎、不同模态的召回结果。

✔  它属于粗排融合，不会利用原始分数里的置信信息；高精度链路通常还会接 CrossEncoder 做二次精排。

因此，RRF 也可以理解为一种“位次归一化”：不是把原始分数压到 0～1，而是在次序空间里对齐多路结果。

CHAPTER 03

三、标准 RRF：两个文档为什么会打成平手

固定一个例子，后文反复使用：

第 1 名的分母是 60 + 1 = 61，第 2 名的分母是 60 + 2 = 62。

两个基础倒数为：

标准 RRF 中，ES 和 Milvus 地位相等，直接相加：

A 的计算是：

0.01639 + 0.01613 = 0.03252

B 的计算是：

0.01613 + 0.01639 = 0.03252

两者完全相等。

原因并不神秘，就是 加法交换律：1/61 + 1/62 与 1/62 + 1/61 必然相等。

推广一下，只要两个文档拿到的名次集合相同，只是在不同链路中互换，例如一个排名第 3、第 5，另一个排名第 5、第 3，它们的标准 RRF 总分也会相同。

这不是算法出错，而是标准 RRF 没有回答一个问题：当两路意见相反时，我到底更信谁？

CHAPTER 04

四、加权 RRF：给更可靠的一路更多表决权

加权 RRF 只做一处改动：每一路的倒数贡献，在累加之前先乘上该路的权重。

Weighted_RRF(d) = Σ w_r / (k + rank(d, r))

工程上通常让各权重之和为 1，这样更容易理解。

沿用刚才的例子，设置：

这表示我们更信任 Milvus 的语义排序。

Chunk A：

Chunk B：

此时 B 排在 A 前面。

标准 RRF 与加权 RRF

要特别注意：权重乘的是 RRF 倒数项，不是 BM25 原始分，也不是向量相似度。后两者属于原始分数融合，不是这里讨论的加权 RRF。

权重方向决定谁更可能胜出，权重差距则会影响领先幅度。

CHAPTER 05

五、平滑常数 k：控制“前进一名值多少钱”

如果没有 k，第 1 名贡献是 1，第 2 名是 0.5，第 3 名是 0.333，头部差距会非常陡峭。

加入 k 后，分母变成 k + rank，名次之间的差异被平滑了。

当 k = 60：

当 k = 10：

同样是从第 2 名前进到第 1 名，k = 10 时的收益约为 k = 60 时的 28.7 倍。

因此：

继续用 A、B 例子，k = 10、ES 权重 0.2、Milvus 权重 0.8：

B 仍然胜出，但两者分差被放大。

平滑常数 k 的影响

这里需要补充一个重要边界：“调整 k 只会改变分差、永远不会改变排序”并不适用于所有情况。

在原文这个两个文档、名次互换、权重固定的例子里，先后顺序确实不变；但在多候选、多路召回、缺失结果较多的真实场景中，改变 k 可能改变各文档的累加优势，进而改变最终次序。

常见默认值 60 来自原论文实验经验，后续不少实现沿用了这个默认值。但生产环境仍应使用自己的数据评测，而不是把 60 当成永远最优的答案。

CHAPTER 06

六、静态权重：按业务入口设置固定偏好

静态权重指的是：同一个检索入口下，所有 Query 共用同一组权重。

它适合查询风格相对稳定的业务。例如，合同编号检索和开放式技术问答，最好不要共用一套全局权重，而应按入口分别配置。

下面三组可以作为起步基线，不是不可修改的行业标准：

关键词优先时，可以适当放宽 Milvus 召回阈值，让语义候选先进入融合池，避免因为权重偏低而彻底漏掉。

语义优先时，建议保留 CrossEncoder 精排，进一步过滤“看起来很像、实际答案不对”的 Chunk。

均衡模式下，可以提前定义并列时的第二排序规则，例如固定参考某一路名次，或使用精排模型继续区分。

静态权重不是拍脑袋决定的，它应当是对一类查询长期偏好的固化表达。配置时要遵守四条原则：

✔  权重表达对位次证据的信任，不是原始分数缩放。

✔  权重之和通常设为 1，便于解释和比较。

✔  按检索入口配置，不建议一个全局权重包打所有业务。

✔  先用 Golden 基准集做离线 A/B，再小流量灰度上线。

CHAPTER 07

七、静态权重什么时候会失效

静态权重能跑稳，隐含了几个前提：用户提问风格、知识库内容、分词方式和 Embedding 模型没有发生明显变化。

一旦出现下面两类信号，就要重新评估：

优化时，可以在冻结的 Golden 子集上做网格搜索和 A/B 对照，只保留相对基线有稳定收益的候选权重，再进入灰度验证。

如果用户问题类型非常分散、长尾 Query 很多，一套固定权重很难同时照顾所有场景，这时就需要动态权重。

CHAPTER 08

八、动态权重：每条 Query 先判断该信哪一路

动态权重与静态权重的区别很直观：

动态方案常用两类轻量信号。

第一类是槽位信号。 看 Query 中是否有编号、注册号、物料编码、合同号或专有参数。命中这类结构化信息，通常更需要 ES 的精确字面匹配。

第二类是意图信号。 判断用户是在查实体编号、查固定 FAQ、进行开放式提问，还是做多跳推理。

槽位并不只是简单关键词命中，意图也不是看到产品名就判定精确查询。例如，Query 中虽然有产品名称，但用户问的是“怎样设计改造方案”，意图仍属于开放式语义检索，不应盲目偏向 ES。

一种清晰的映射方式是：

静态与动态权重

动态分支必须有 置信度回落机制。识别不确定时不要强行偏向某一路，而是退回均衡或当前入口的静态权重。

落地顺序上，更稳妥的做法是：先把静态分组权重跑稳，积累足够的标注样本，再上线意图驱动的动态权重。线上还要保留开关，识别服务异常时可以一键切回静态基线。

CHAPTER 09

九、评测不能只看全局平均值

动态权重新增了意图识别和槽位抽取，也就新增了失败来源。

典型故障是：一个开放式语义问题被误判为实体查询，系统把权重偏向 ES，结果大量语义相关 Chunk 被压低，真正答案反而没有进入前排。

因此，Golden 测试集应按类型拆开：

分别观察各组的 Context Recall、最终排序效果，以及下游回答的 Faithfulness。后者还会受到生成模型和 Prompt 等因素影响，不能全部归功于 RRF。

比较理想的动态收益是：实体子集召回不下降，语义子集召回有所提升。 如果某一组明显差于静态基线，就应关闭或回滚对应分支。

线上还需要记录每条 Query 的识别结果、槽位、输出权重、召回文档和最终反馈，把失败样本持续回流到意图与槽位模型的优化中。

RAGAS 等评测框架可以参与这条迭代闭环，但关键不是工具名字，而是固定基准、分组对照、灰度验证和可回滚。

CHAPTER 10

十、用几十行 Python 实现一个加权 RRF

下面的示例只接收“每一路的文档 ID 排名”，完全不读取原始检索分数：

def weighted_rrf(rankings, weights=None, k=60):
    weights = weights or {}
    scores = {}

    for channel, doc_ids in rankings.items():
        weight = weights.get(channel, 1.0)
        for rank, doc_id in enumerate(doc_ids, start=1):
            scores[doc_id] = scores.get(doc_id, 0.0) + weight / (k + rank)

    return sorted(scores.items(), key=lambda item: item[1], reverse=True)


rankings = {
    "es": ["chunk-a", "chunk-b"],
    "milvus": ["chunk-b", "chunk-a"],
}

print(weighted_rrf(rankings))
print(weighted_rrf(rankings, {"es": 0.2, "milvus": 0.8}))

没有出现在某一路列表中的文档，自然只会累加其他链路的贡献，相当于该路贡献为 0。

真实工程还需要处理文档 ID 统一、候选列表截断、并列时的确定性排序、权重配置、指标埋点和异常回退。

RRF 完成融合后，可以把前 N 个候选交给 CrossEncoder 精排，再把最终上下文交给生成模型。

CHAPTER 11

写在最后：面试时可以这样回答

RRF 的核心不是发明一种新的相似度，而是 换一种统一的比较单位。

ES 的 BM25 分数与 Milvus 的向量相似度不可直接比较，RRF 就丢掉原始分数，把每一路的名次转换成 1 / (k + rank)，再把同一文档的多路贡献累加。

标准 RRF 两路平权，可能出现名次互换后的并列；加权 RRF 在倒数项上乘以链路权重，用来表达对不同检索结果的信任程度。

k 控制名次贡献曲线的平缓程度：越小越突出头部，越大越平滑。静态权重适合查询稳定的入口，动态权重则根据意图与槽位逐条调整，并必须保留低置信度回落、分组评测和一键回滚。

最后用一句话收束：

RRF 负责把多路召回“合成一张候选榜”，CrossEncoder 再负责把这张榜单“排得更准”。

说明：本文依据用户提供的参考材料重新组织和通俗化表达。原始文本未附图片地址，文中 4 张示意图均依据原文数据重新制作，并非原发布页图片。静态权重数值应视为起步示例，生产配置以实际评测为准。