Проще говоря, hybrid retrieval отвечает на вопрос: “какие куски знаний дать модели, чтобы она ответила точно?”. Vector search помогает найти близкий смысл, keyword search ловит точные термины, номера и коды, metadata filters ограничивают область поиска, а reranker пересортировывает кандидатов по реальной релевантности.
Это особенно важно в корпоративных базах знаний. Пользователь может спросить обычными словами, но в документах будут артикулы, номера договоров, коды ошибок, названия продуктов, даты и статусы. Один только semantic search может пропустить точные совпадения, а один keyword search может не понять перефразированный вопрос.
В хорошем RAG-пайплайне hybrid retrieval не заканчивается выдачей первых top-k чанков. Система проверяет источники, применяет права доступа, убирает дубли, добавляет цитаты, учитывает свежесть документов и логирует, какие фрагменты попали в ответ.
Примеры
- RAG-система ищет по смыслу вопроса и одновременно по точному номеру договора.
- AI-агент поддержки использует metadata filters, чтобы искать только в документах нужного продукта и версии.
- Keyword search находит код ошибки 403, а vector search добавляет похожие статьи по причине сбоя.
- Reranker выбирает 5 лучших чанков из 40 кандидатов, найденных разными способами.
- Hybrid retrieval исключает документы, к которым пользователь не имеет доступа, даже если они релевантны по смыслу.
Где используется
- RAG по корпоративной базе знаний
- Поиск по документации, договорам, тикетам и wiki
- Поддержка точных запросов с номерами, кодами, SKU и названиями
- Фильтрация по отделу, продукту, версии, дате и правам доступа
- Улучшение качества контекста перед вызовом LLM
- Диагностика плохих ответов через retrieval logs
- Снижение галлюцинаций за счет более релевантных источников
Связанные термины
Business RAG
Citation в ответе AI
Embeddings
Hybrid search
Knowledge chunk
Metadata filtering
RAG
Reranker
Частые вопросы
Чем hybrid retrieval отличается от hybrid search?
Hybrid search чаще описывает сам способ поиска. Hybrid retrieval шире в контексте RAG: он включает поиск кандидатов, фильтрацию, дедупликацию, reranking, проверку прав и подготовку контекста для модели.
Зачем нужен keyword search, если есть embeddings?
Embeddings хорошо находят смысл, но могут хуже работать с точными значениями: кодами ошибок, артикулами, номерами документов, именами, датами и юридическими формулировками.
Когда подключать reranking?
Когда первичный retrieval приносит много похожих или шумных кандидатов. Reranker помогает выбрать наиболее релевантные чанки перед тем, как отправить их в контекст модели.
Какие метаданные полезны для hybrid retrieval?
Источник, дата обновления, владелец знания, продукт, версия, отдел, права доступа, тип документа, язык, регион и ссылка на оригинал.
