Matryoshka 表示学习：截断向量如何兼顾嵌入维度与检索效率
企业向量检索常面临存储与延迟的权衡。本文以知识库检索为例，解释 Matryoshka 表示学习如何通过嵌套损失训练，使嵌入向量的前若干维度保留主要语义，从而支持按需截断维度以降低存储与检索开销，并分析截断对精度的影响、训练成本与部署权衡。
#向量检索
共 4 篇文章
混合检索与倒数排名融合：为什么多路召回能提升 RAG 检索质量？
本文以企业知识库问答为场景，解释向量检索与 BM25 在词汇与语义匹配上的互补性，剖析倒数排名融合（RRF）的数学原理与参数敏感性，对比其与重排序（Rerank）的差异，并讨论在 RAG 流水线中的部署位置与性能开销。
HyDE 查询改写：为什么用生成文档代替原始查询能提升 RAG 检索精度？
本文以企业知识库问答为场景，解释 HyDE 如何通过让 LLM 生成假设性答案文档并用其嵌入检索，弥补查询与文档的词汇鸿沟。分析其与直接检索、查询扩展的差异，讨论生成质量、延迟开销、领域适配及失效边界，并给出生产环境中的决策建议。
RAG-Fusion 与混合检索：多路召回如何通过倒数排名融合提升检索质量？
以企业知识库问答为场景，解释 RAG-Fusion 如何结合向量检索与 BM25 等多路召回，通过倒数排名融合（RRF）合并结果，并对比重排序（Rerank）的差异。分析 RRF 的数学原理、参数敏感性（k 值）、融合策略对召回率和精度的影响，讨论在 RAG 流水线中的部署位置与性能开销。