主要来源掘金本周最热
查看原文事件专题 ·单一信源
Milvus 混合检索实战:BM25、dense 向量与 Cross-Encoder 精排
这是一篇基于 Milvus 的 RAG 检索优化教程,核心是三层混合检索架构:BM25 在 Milvus 内部生成 sparse 向量抓专有词,不调用外部模型;TEXT_EMBEDDING 调用嵌入模型生成 1024 维 dense 向量做语义召回;最后由 RERANK 的 Cross-Encoder 根据问题和候选正文做精排。文章按启动服务、建 Collection、写入文本、混合召回、精排的顺序走完整流程。部署部分用宝塔服务器加 Docker Compose 启动 Milvus,端口 3000 跑 Attu 管理页,19530 用于应用连接。Schema 设计上包含 INT64 主键、FLOAT_VECTOR 语义向量、SPARSE_FLOAT_VECTOR 关键词向量,中文正文启用 enable_analyzer 分词。模型凭证走 DashScope,textEmbedding 与 rerank 共用同一 credential 别名。代码部分用 PyMilvus 封装了建集合、写入、创建 ranker 和 AnnSearchRequest 混合检索的小函数,并提醒向量维度须与嵌入模型输出一致。
当前结论
把 Milvus 混合检索的坑都讲清楚了:BM25 在服务端内建不花外部调用,中文分词要开 enable_analyzer,维度不对直接报错。想在 RAG 里同时命中产品名和同义问法的开发者可以直接照抄这套 PyMilvus 代码,比纯向量召回的方案更稳。
2 个信源34° AI 热度最后更新 2026/11/19 02:33:19
证据链
2 个信源相关来源 1Pinecone
查看原文冲突核查
现有去重数据只说明这些来源讨论同一事件,不代表立场相同。当前没有结构化的支持或反驳证据,不自动推断冲突。