RRF融合

RRF 融合是什么？

一次好的检索，往往要同时问好几路「裁判」：关键词检索、向量检索、语义检索，各给出一份排名。可问题来了——三份名单各不相同，听谁的？RRF（倒数排名融合，Reciprocal Rank Fusion），就是一种把多份排名「合并成一份」的算法，而且不用任何额外训练，简单又抗干扰。

它凭什么靠谱？

核心是一个分数：名次的倒数
RRF 给每个文档打分的逻辑很朴素：排在第 1 名得 1/1，第 2 名得 1/2，第 3 名得 1/3……名次越靠前，分数越高。然后把同一篇文档在各个列表里的分数加起来，总分最高的排最前。
为什么不用原始相关度分数？
不同检索器的分数没法直接比较——关键词检索的 0.9 和向量检索的 0.7 不是一个「币种」。RRF 只关心名次，天然避开了这个坑，这也是它好用、易移植的原因。

它好在哪里？

零成本、零调参
不需要训练数据，不需要调权重，几行代码就能落地。
对「烂列表」很鲁棒
某个检索器偶尔抽风，把某篇文档排得很靠后，倒数分也不会让它拖垮整体，抗噪能力强。
容易叠加新检索器
想再加一路检索？直接把它的名次换算成分数加进来即可，扩展性极好。

用在什么地方？

RRF 是混合检索（Hybrid Search）里的明星：把稀疏的关键词检索和稠密的向量检索结果融合，兼顾「精确匹配」和「语义理解」，是很多 RAG 系统默认的融合策略。

一句话记住：RRF 融合就是「不看出身，只看名次」，用倒数把多份排名合并成一份更靠谱的榜单。