传统搜索引擎靠关键词匹配。如果文档写的是"蟒蛇编程入门指南"，用户搜"Python教程"就匹配不上。语义搜索解决的就是这个问题。

混合检索：向量+关键词

纯向量检索对精确关键词不敏感。用户搜索"FastAPI官方文档"，他可能就是想要FastAPI的官方文档，而不是语义相近的Flask教程。这时候BM25反而更准。

最佳方案是混合检索。同时用向量检索和BM25检索，然后用Reciprocal Rank Fusion合并两路结果。RRF的公式很简单：每个文档在各路检索中的排名取倒数求和，按总分排序。不需要调权重，效果却出奇地好。

重排序提升精度

检索返回Top-20候选后，用Cross-Encoder重排序。Cross-Encoder把查询和文档拼接在一起输入模型，直接输出相关性分数，比双塔模型的向量相似度更准。推荐BAAI的bge-reranker-v2-m3。

查询改写

用户的问题可能表达不清楚。先用模型改写成更适合检索的形式，再去做向量搜索。比如用户问"电脑打不开怎么办"，改写为"计算机无法启动的常见原因和解决方案"。

部署考量

百万级文档用单机FAISS。千万级用Milvus或Qdrant。延迟要求低于100ms选HNSW索引，M=16、ef_search=128是不错的起点。

语义搜索不是银弹，但搭配关键词检索和重排序，能覆盖绝大多数搜索场景。