检索技术

一、检索系统的第一性原理

1.1 检索的本质问题

检索的本质：

在有限时间与资源约束下， 从海量候选集合中， 找到**足够好（Good Enough）**的 TopK 结果。

由此天然产生三大不可消除的矛盾：

  1. **搜索空间巨大**（数据规模持续增长）
  2. **计算资源有限**（CPU / IO / 内存 / 网络）
  3. **精确性与性能不可兼得**

👉 一切检索技术，都是在这三者之间做权衡。

1.2 检索系统的统一抽象模型

所有检索系统，都可以被抽象为三段式结构：

检索系统 = 搜索空间裁剪 × 候选生成 × 结果排序
阶段 核心目标 关键问题
搜索空间裁剪 快速缩小候选范围 怎么“尽早排除不可能”？
候选生成 召回可能相关对象 怎么“不漏掉好结果”？
结果排序 选出最优 TopK 怎么“定义相关性”？

后文所有技术，都会被映射到这一模型中。

二、搜索空间裁剪：减少问题规模

第一性原则：先排除，再计算

2.1 基础数据结构裁剪

技术 裁剪思想
数组 / 链表 顺序扫描（无裁剪）
树（B+树） 有序空间二分
哈希 等值映射
跳表 多层有序跳跃

本质：利用数据分布的结构性，减少比较次数。

2.2 状态型裁剪结构

技术 本质作用
位图 用空间换时间的集合表示
布隆过滤器 高概率否定（False Positive 可接受）

👉 核心思想：

“快速否定”比“精确肯定”更重要

2.3 空间裁剪（地理与多维空间）

GeoHash

本质：

空间映射为前缀可比较的有序编码

四叉树 / 前缀树

三、候选生成：召回“可能相关”的对象

候选生成允许不精确，但不允许漏掉“好结果”

3.1 关键词候选生成：倒排索引

倒排索引的本质

从“文档为中心”转为“词项为中心”

结构抽象：

倒排索引的工程加速思想

技术 解决的问题
跳表 有序集合快速跳过
哈希 大小集合交集
位图 / Roaring Bitmap 大规模集合运算

本质：

集合运算优化，而非单点查找

3.2 向量候选生成：相似性召回

向量检索的第一性问题

相似度计算是连续空间中的“近邻搜索”问题

精确搜索不可扩展，因此必须近似。

3.3 近似最近邻（ANN）的三大范式

范式 本质思想 代表技术
哈希型 相似对象进同桶 LSH / SimHash
量化型 空间离散压缩 PQ
图搜索 小世界导航 HNSW

共同目标：

用结构性假设，避免全量距离计算

四、结果排序：定义“相关性”

排序不是数学问题，而是价值判断问题

4.1 统计相关性模型

模型 核心假设
TF-IDF 区分度来自“少见但频繁”
BM25 词频收益递减

4.2 图与全局重要性

本质：

相关性不仅来自内容，也来自结构关系

4.3 学习排序模型

逻辑回归 / Learning to Rank：

相关性 = 多信号加权的工程妥协

五、近似 TopK：工程中的必然选择

5.1 为什么必须近似

👉 目标转为：

只要最好的结果在 TopK 里即可

5.2 典型近似策略

策略 本质
离线排序截断 计算前移
分层索引 高质量优先
胜者表 有损剪枝

六、索引工程：时间换稳定性的艺术

6.1 不可变索引思想

体现：

6.2 分层合并（LSM 思想）

写入快，查询通过合并优化

本质：

用时间换空间与稳定性

6.3 索引拆分

本质：

并行化是唯一的扩展手段

七、检索范式的演进

关键词检索 → 统计排序 → 语义向量 → 混合检索 → RAG

7.1 RAG 的本质定位

RAG 并不是“新检索”，而是：

检索作为上下文构建系统，为生成服务

它继承了所有传统检索的工程约束。

八、工程原则总结（稳定知识层）

  1. 先裁剪，再计算
  2. 离线优于在线
  3. 不可变优于可变
  4. 近似优于精确
  5. 空间换时间
  6. 并行化优于单机优化

关联内容（自动生成）