Event ·Single source

Milvus 混合检索实战:BM25、dense 向量与 Cross-Encoder 精排

这是一篇基于 Milvus 的 RAG 检索优化教程,核心是三层混合检索架构:BM25 在 Milvus 内部生成 sparse 向量抓专有词,不调用外部模型;TEXT_EMBEDDING 调用嵌入模型生成 1024 维 dense 向量做语义召回;最后由 RERANK 的 Cross-Encoder 根据问题和候选正文做精排。文章按启动服务、建 Collection、写入文本、混合召回、精排的顺序走完整流程。部署部分用宝塔服务器加 Docker Compose 启动 Milvus,端口 3000 跑 Attu 管理页,19530 用于应用连接。Schema 设计上包含 INT64 主键、FLOAT_VECTOR 语义向量、SPARSE_FLOAT_VECTOR 关键词向量,中文正文启用 enable_analyzer 分词。模型凭证走 DashScope,textEmbedding 与 rerank 共用同一 credential 别名。代码部分用 PyMilvus 封装了建集合、写入、创建 ranker 和 AnnSearchRequest 混合检索的小函数,并提醒向量维度须与嵌入模型输出一致。

Current read

把 Milvus 混合检索的坑都讲清楚了:BM25 在服务端内建不花外部调用,中文分词要开 enable_analyzer,维度不对直接报错。想在 RAG 里同时命中产品名和同义问法的开发者可以直接照抄这套 PyMilvus 代码,比纯向量召回的方案更稳。

2 sources34° AI heatLast updated 2026/11/19 02:33:19

Evidence

2 sources
Primary source掘金本周最热
View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.