文章目录一、引言二、召回的核心目标三、范式一：稀疏检索（Sparse Retrieval）3.1 思想：关键词匹配3.2 BM25 公式3.3 BM25 的优点3.4 BM25 的致命缺陷四、范式二：稠密检索（Dense Retrieval）4.1 思想：语义匹配4.2 稠密检索的优点4.3 稠密检索的致命缺陷五、范式三：混合检索（Hybrid Retrieval）5.1 为什么必须混合？5.2 混合检索的两种融合方式方式 A：分数加权融合方式 B：RRF（Reciprocal Rank Fusion）——工业首选5.3 混合检索的标准架构六、实战：客服场景的混合检索6.1 客服场景的"召回痛点"画像6.2 智能路由：让该赢的赢6.3 一段 LangChain 的混合检索代码七、召回的"再加工"：让结果更可用7.1 去重7.2 多样性（MMR）7.3 上下文窗口预算分配八、召回的评估指标九、常见踩坑清单十、本文小结十一、给下一篇文章的铺垫本系列为《RAG 做智能客服》第 6 篇前置条件：已阅读第 4、5 篇，了解分片与索引一、引言前面两篇我们搞定了分片和索引——文档已经被切成小块，存进了向量数据库。现在到了"用武之地"：召回（Retrieval）——用户问一个问题，系统怎么从几十万、上百万个分片里，又快又准地捞出最相关的 K 个？直觉上想：用户问题 → 转向量 → 算相似度 → 排序 → Top-K。听起来简单，但一上生产就翻车。为什么？因为纯向量检索不是万能的。这一篇我们拆解三大召回范式：稀疏检索、稠密检索、混合检索，并给出生产级的实战方案。二、召回的核心目标召回阶段要同时满足三个互相矛盾的目标：目标含义难度召回率（Recall）真正相关的分片都召回了召得全精确率（Precisi