在构建企业级RAG检索增强生成系统或复杂的Agentic工作流时向量数据库的检索质量直接决定了系统的天花板。Milvus 作为一款工业级的向量数据库其对密集向量、稀疏向量以及混合检索的支持为应对复杂的业务场景提供了极大的灵活性。以下是这些核心概念以及它们在实际检索架构中的作用原理1. 密集向量 (Dense Vectors)密集向量是我们最熟悉的向量表示形式通常由 Embedding 模型如 BGE、OpenAI 的text-embedding-3等生成。特征维度通常固定例如 768 或 1536 维且数组中的每个维度几乎都有非零的浮点数值。优势语义理解它将文本映射到一个连续的语义空间中极其擅长捕捉上下文含义和同义词。比如用户搜索“汽车”它能检索出包含“车辆”或“轿车”的文档因为它们在多维空间中距离很近。局限性对特定专有名词、工业缩写或精确的 ID 匹配不够敏感。因为模型在降维和语义抽象的过程中容易将这些“罕见词”的特征平滑掉。2. 稀疏向量 (Sparse Vectors)稀疏向量更接近于传统的倒排索引或词频统计通常由 SPLADE 或 BM25 等算法生成。特征维度极高通常等同于整个词表的大小如几万到十几万维但绝大多数维度都是0只有文本中实际出现的词汇对应的维度才有非零值表示该词的权重。优势精确匹配极其擅长关键字匹配。对于特定的错误代码、产品型号、专有名词稀疏向量能确保文本中只要包含该词就会被精准召回。局限性缺乏语义泛化能力。“汽车”和“轿车”在稀疏向量中是两个完全不同的正交维度无法建立联系。3. Milvus 中的检索方式与混合检索 (Hybrid Search)在处理复杂的 RAG 架构例如严格的Parent-Child结构既需要保留长文本或表格的完整上下文又需要依赖短切片进行精准定位时单一的检索方式往往会遇到瓶颈。Milvus 提供了多路召回与混合检索的能力单路检索针对密集向量Milvus 采用 HNSW、IVF_FLAT 等近似最近邻ANN算法针对稀疏向量采用类似倒排索引的剪枝算法进行高效点积计算。混合检索 (Hybrid Search)将密集向量和稀疏向量分别建索引存储在同一个 Collection 中。在查询时系统会并发地执行两次检索然后将两路召回的结果进行合并融合。这种方式既具备了密集向量的“懂语义”又保留了稀疏向量的“抠字眼”。4. 倒数秩检索 (Reciprocal Rank Fusion, RRF)当我们进行混合检索时会得到两个不同的排序列表一个是密集向量算出的相似度列表另一个是稀疏向量算出的词频得分列表。由于两者的打分机制和数值范围完全不同比如一个是基于 Cosine 相似度的[0, 1]另一个是基于词频无上限的得分不能直接相加。倒数秩融合 (RRF)就是一种非常优雅且鲁棒的重排Reranking算法它完全抛弃了原始得分仅依靠文档在各个列表中的排名 (Rank)来计算最终得分。其计算公式如下代表某个具体的文档。文档在第路检索如密集或稀疏中的排名第1名就是1第2名就是2。一个平滑常数业界经验通常设为60用于防止排名极靠前的某单一结果权重过大。RRF 的实际优势免调参不需要像加权融合那样去痛苦地测试和调整的比例。共识机制如果一个文档在密集检索和稀疏检索中都排在前列即既有语义相关性又有关键字命中它的 RRF 得分会非常高从而被稳稳推到最终列表的顶部。长尾保护即使某文档只在稀疏向量关键字中排名第一而在密集向量中排名很低它依然能获得一个保底的相对高分避免被埋没。