RRF 倒数排名融合：混合检索里的"排名仲裁者"

一、问题起点：两路召回，分数不可比

上一篇写向量数据库时，混合检索反复出现。它的标准形态是两路并行召回：

向量检索：Query 与文档都编码为 Embedding，按余弦相似度取 Top-K，负责语义泛化；
BM25 关键词检索：基于词频的稀疏检索，负责专有名词、型号、代码标识的精确命中。

两路各返回一份排好序的列表之后，问题来了：怎么合并？

余弦相似度落在 [-1, 1]，BM25 分数是无上界的正数，量纲与分布完全不同。直接把分数相加，等于让两个不同单位的量比赛——数值大的那一路会垄断排序。加权求和理论上可行，但权重怎么定？每换一个语料库、换一个 Embedding 模型，就要重新调一遍。

RRF（Reciprocal Rank Fusion，倒数排名融合）的思路是釜底抽薪：不比分数，只比名次。

二、算法本体：一行公式

score(d) = Σᵢ  1 / (k + rankᵢ(d))

rankᵢ(d)：文档 d 在第 i 路列表中的名次（第 1 名记 1）；
k：平滑常数，业界惯例取 60；
文档未出现在某路列表中，该路贡献 0 分。

算法出自 Cormack 等人 2009 年的论文，实验中它击败了 Condorcet 融合与按名次训练的融合方法，此后成了信息检索领域的经典基线。

完整算一遍

取 k = 60，两路各返回 Top-3：

文档	向量检索名次	BM25 名次	RRF 得分
A	1	—	1/61 ≈ 0.0164
B	3	1	1/63 + 1/61 ≈ 0.0323
C	2	4	1/62 + 1/64 ≈ 0.0318

最终排序 B > C > A：A 是向量检索的头名，但 BM25 一票没投；B 两路都靠前，融合后登顶。“两路都点头”的文档被优先，这正是混合检索想要的仲裁逻辑。

k = 60 在平滑什么

1/(k + r) 是一条平缓递减的曲线，k 决定了”名次差距”被压缩到什么程度。极端对比：k = 0 时，第 1 名的得分是第 10 名的 10 倍，单路召回的头名几乎一票定胜负；k = 60 时，两者只差约 15%，每一路的意见都被拉到接近”一人一票”。

60 这个数字没有玄学——论文实验中它在多个数据集上稳定表现良好，后来就成了社区默认值，ES、Milvus 的文档里也都沿用 60。

三、融合策略对比：RRF 在光谱的哪个位置

“两路结果怎么合”这个问题，按用分数还是用名次、要不要训练，可以排成一条光谱：

策略	代表方法	优点	代价
分数级融合	加权和、加权平均	保留置信度强弱信息，效果上限高	必须先归一化（min-max / z-score），分数分布一变就失真，权重需逐场景调参
名次级融合	Borda 计数、RRF	免归一化、免调参，对异常分布鲁棒	丢弃分数强度：第 1 名比第 2 名好多少，这个信息没了
学习排序（LTR）	LambdaMART、交叉编码器重排	效果上限最高	需要标注数据训练，推理成本高，通常作为召回后的重排层

名次级融合内部也有一处分野。Borda 计数是最朴素的方案：直接把各路名次相加。它与 RRF 的差别在衰减曲线的形状——Borda 是线性衰减，第 1 名与第 2 名的差距，恒等于第 9 名与第 10 名的差距；RRF 用倒数曲线，头部名次之间区分更平滑，中后部的差异则被进一步压平。

这条倒数曲线的工程价值在于抗噪：当某一路召回偶发”自信的错误”（把不相关文档顶到很前），1/(k + r) 的平缓性会让这个异常名次对全局排序的破坏被显著稀释；换成线性名次相加或未归一化的分数相加，同样异常的杀伤力要大得多。论文的实验结论正是：这条简单的倒数曲线在多路融合场景里比精心设计的对手更稳。

实践中三类策略常常是分工而非互斥：RRF 负责便宜地把多路召回合并成一份候选列表，LTR（如交叉编码器重排）再对候选做精排——一个管仲裁，一个管精修。这也是目前主流 RAG 流水线的标准两层结构。

四、工程落地速览

Elasticsearch / OpenSearch：RRF 是混合查询的官方一等公民，一个参数开启；
Milvus：混合检索内置 RRFRanker，同场的 WeightedRanker 即分数级路线，正好对应光谱的两端；
pgvector：没有内置函数，但手写 SQL 反而最能看清算法本色：

-- 两路各自 ROW_NUMBER 排名，再按严格 RRF（k = 60）融合
SELECT id,
  1.0 / (60 + v_rank) + 1.0 / (60 + t_rank) AS rrf_score
FROM (
  SELECT id,
    ROW_NUMBER() OVER (ORDER BY embedding <=> $1) AS v_rank,
    ROW_NUMBER() OVER (ORDER BY ts_rank(to_tsvector('simple', content), $2) DESC) AS t_rank
  FROM docs
) t
ORDER BY rrf_score DESC
LIMIT 10;

五、小结

RRF 用一行公式回答了混合检索最棘手的问题——异构分数如何公平合议：放弃分数、只用名次，用倒数曲线加常数 60，把多路召回变成一场低方差、免调参的投票。它不是效果上限最高的融合策略，却是性价比最高的默认选项——ES、OpenSearch、Milvus 纷纷把它做成内置能力，就是最好的背书。

当你下次在 RAG 系统里同时启用向量库和 BM25 时，中间那个不起眼的融合器，做的就是这件事。