多重搜尋 RAG 管線 · Claude 與 Amazon Bedrock

當您同時擁有獨立運作的語意搜尋（向量嵌入）和詞彙搜尋（BM25）時，下一步就是將它們結合成一個統一的搜尋管線。這種混合方法利用了兩種方法的優勢，以提供更準確的結果。

建立統一介面

兩種搜尋實作共享幾乎相同的 API——它們都有 add_document() 和 search() 方法。這種一致性使得將它們包裝在單一的 Retriever 類別中變得簡單，該類別負責協調這兩種方法。

Retriever 作為協調者，負責：

接收使用者的問題
將其轉發給 VectorIndex 和 BM25Index
收集來自兩個系統的結果
使用排名演算法合併結果

倒數排名融合（Reciprocal Rank Fusion）

挑戰在於合併來自不同搜尋方法的結果。每個系統返回的結果都有不同的評分機制，因此您不能直接簡單地合併分數。相反，我們使用一種稱為倒數排名融合（Reciprocal Rank Fusion，RRF）的技術。

以下是 RRF 如何運作的實際範例。假設您的 VectorIndex 返回的結果排名為：Section 2、Section 7、Section 6。同時，您的 BM25Index 返回：Section 6、Section 2、Section 7。

為了合併這些結果，您建立一個組合表，顯示每個文字區塊在兩個系統中的排名：

RRF 公式為每個文件計算一個分數：

RRF_score(d) = Σ(1 / (k + rank_i(d)))

其中 k 是一個常數（通常為 60，不過 1 在結果更清晰時效果也很好），而 rank_i(d) 是文件 d 在第 i 個排名系統中的排名。

對於每個文字區塊，您計算：

Section 2：1.0/(1+1) + 1.0/(1+2) = 0.833
Section 7：1.0/(1+2) + 1.0/(1+3) = 0.583
Section 6：1.0/(1+3) + 1.0/(1+1) = 0.75

按分數排序後，最終排名變為：Section 2（第一）、Section 6（第二）、Section 7（第三）。

實作

Retriever 類別的實作很簡單：

python

class Retriever:
    def __init__(self, *indexes):
        self._indexes = list(indexes)
    
    def add_document(self, document):
        for index in self._indexes:
            index.add_document(document)
    
    def search(self, query_text, k=1, k_rrf=60):
        # 從所有索引取得結果
        all_results = []
        for idx, results in enumerate(all_results):
            for rank, (doc, _) in enumerate(results):
                # 追蹤文件在各系統中的排名
                # 套用 RRF 公式
                # 回傳合併並排序後的結果