倒数排名融合（Reciprocal Rank Fusion, 简称 RRF） 是混合检索（Hybrid Search）中的“黄金准则”。它的核心魅力在于：不需要复杂的权重调优，就能把完全不同维度的评分（比如全文检索的 BM25 分数和向量检索的余弦相似度）公正地合并在一起。

---

1. 核心公式

RRF 的计算逻辑非常简单直观：

$Score(d \in D) = \sum_{r \in R} \frac{1}{k + r(d)}$

• $D$：待排序的所有文档。
• $R$：排序列表的集合（比如一个是全文检索给出的排名，一个是向量检索给出的排名）。
• $r(d)$：文档 $d$ 在列表 $r$ 中的排名索引（通常从 1 开始）。
• $k$：一个常数（超参数），通常默认为 60。

为什么要加 $k$？ 为了防止排名第一的文档（$1/1$）对结果产生压倒性的影响，平滑掉排名靠前的权重波动。

---

2. 直观理解：它如何解决你的问题？

假设你用“几个字”去搜：

1. 全文检索（BM25）：关键词匹配很准，给出了排名：文档 A (1), 文档 B (2), 文档 C (3)。
2. 向量检索（Dense）：语义比较模糊，给出了排名：文档 C (1), 文档 D (2), 文档 A (3)。

RRF 计算（假设 $k=60$）：

• 文档 A：$1/(60+1) + 1/(60+3) \approx 0.01639 + 0.01587 = 0.03226$
• 文档 C：$1/(60+3) + 1/(60+1) \approx 0.01587 + 0.01639 = 0.03226$
• 文档 B：$1/(60+2) + 0 \approx 0.01612$

最后，文档 A 和 C 因为在两套系统中表现都稳健，会排在最前面。即使单项冠军（比如向量检索里的文档 D）在另一项中表现很差，也会被过滤掉。

---

3. RRF 的三大优势

• 抹平分值差异：全文检索的分数可能是 $15.2$（无上限），向量检索的分数是 $0.85$（$0 \sim 1$ 之间）。RRF 只看名次，不看分数值，强制把它们拉到同一个起跑线上。
• 无需专家经验：传统的权重加权需要你手动设置 $0.7 \times \text{Vector} + 0.3 \times \text{BM25}$。这个权重很难调，而 RRF 默认 $k=60$ 在大多数场景下都是最优解。
• 奖励“双优生”：如果一个文档在两个列表里都在前 100 名，它的总分会远高于只在某一个列表中排第一、而在另一个列表里查无此人的文档。

---

4. 落地建议

如果你正准备实现它，请注意以下几点：

1. 深度（Limit）：通常从每个检索源取出前 50 到 100 个结果进行 RRF 合并即可，没必要对全量数据做 RRF。
2. 与 Re-ranker 配合：

• 第一阶段：向量检索 + 全文检索 $\rightarrow$ RRF 合并 $\rightarrow$ 选出 Top 30。
• 第二阶段：将 Top 30 送入 BGE-Reranker（重排序模型）进行深度打分。 这是目前性价比最高、准确度最强的链路。

3. BGE-M3 的特殊性： 既然你在用 BGE-M3，它产生的 lexical_weights（Sparse Vector）其实已经自带了类似 BM25 的属性。如果你使用的是 Milvus 或 Qdrant 这类数据库，它们原生支持 RRF 算法，你只需要通过一个简单的配置开关就能启用。