检索与 RAG
MimirQ 采用多路混合检索架构，将 Vector、BM25、SPLADE 三路召回并行执行后通过 RRF 融合，再经 ColBERT/Reranker 精排，实现高召回率与高精度的平衡。
混合检索架构
note
默认混合检索为 Vector + BM25 + RRF 融合。SPLADE 稀疏检索默认关闭（SPARSE_RETRIEVAL_ENABLED=false），ColBERT 为可选精排后端，二者均需显式启用。
检索方式对比
| 检索方式 | 召回率 | 精度 | 延迟 | 适用场景 |
|---|---|---|---|---|
| Vector（Dense） | 高 | 中 | 低 | 语义相似度匹配 |
| BM25（Lexical） | 中 | 高 | 极低 | 精确关键词/术语匹配 |
| SPLADE（Sparse，默认关闭） | 高 | 高 | 中 | 稀疏语义+词汇混合；需设 SPARSE_RETRIEVAL_ENABLED=true 启用 |
| ColBERT ANN（可选） | — | 极高 | 中 | 精排阶段；deterministic 实现，HF provider 可选 |
检索模式自动选择
guess_retrieval_mode() 根据 query 特征自动选择最优检索模式；retrieval_profiles 提供预设配置（如 recall_first 偏召回率优先）。
RRF 融合
Reciprocal Rank Fusion 将多路排序结果合并为统一分数：
RRF(d) = Σ 1 / (k + rank_r(d))
其中 k 为平滑常数（默认 60）。各路检索结果按 RRF 分数降序排列后送入 Reranker。
加权混合
HybridSearchOptions 支持加权融合模式：
| 参数 | 默认值 | 说明 |
|---|---|---|
alpha | 0.5 | Vector vs Keyword 混合比 |
vector_weight | 0.6 | Vector 路权重 |
keyword_weight | 0.4 | BM25 路权重 |
enable_weight_rerank | true | 是否启用加权重排 |
重排策略
精排支持多种 Reranker 后端：
- Cross-Encoder — 高精度，延迟较高
- ColBERT ANN — 近似最近邻，精度与速度兼顾
- MMR（Maximal Marginal Relevance） — 兼顾相关性与多样性
MMR 参数
mmr_lambda 控制相关性与多样性的权衡（默认 0.7），mmr_fetch_k_multiplier 控制 MMR 候选池倍率（默认 4x）。
核心配置参数
| 参数 | 默认值 | 说明 |
|---|---|---|
top_k | 5 | 最终返回文档数 |
score_threshold | 0.7 | 最低分数阈值 |
retrieval_mode | hybrid | 检索模式（vector / keyword / hybrid） |
SPARSE_PROVIDER | deterministic | 稀疏检索后端（deterministic / splade） |
RETRIEVAL_CONTRACT_MODE | "" | 检索合约（evidence_strict / audit_trace 等） |
检索合约模式
| 模式 | 说明 |
|---|---|
deterministic_recall | 确定性召回，结果可复现 |
must_recall_strict | 必须召回相关文档，否则报错 |
evidence_strict | 严格证据链要求 |
audit_trace | 审计追踪模式 |
关键源码
| 文件 | 职责 |
|---|---|
app/rag/retriever.py | HybridRetriever 主逻辑 |
app/rag/retrieval/orchestrator.py | 检索编排器（~3800+ 行） |
app/rag/retrieval/sparse.py | SPLADE 稀疏检索 |
app/rag/retrieval/colbert_ann.py | ColBERT ANN 索引 |
app/rag/reranker/factory.py | Reranker 工厂 |
app/rag/core/retrieval_profiles.py | 检索 Profile 预设 |