La búsqueda por palabras clave encuentra las palabras exactas. La búsqueda vectorial encuentra el significado. La búsqueda híbrida ejecuta ambas y fusiona los resultados.
Cómo funciona
La consulta va a dos recuperadores a la vez:
- Palabras clave: BM25 sobre un índice invertido. Fuerte con nombres, códigos y términos poco frecuentes.
- Vectorial: vecinos más cercanos sobre embeddings en una base de datos vectorial. Fuerte con paráfrasis y sinónimos.
Las dos puntuaciones están en escalas distintas, por lo que la mayoría de los sistemas fusionan por posición o por puntuación normalizada.
Reciprocal rank fusion (RRF), de Cormack, Clarke y Büttcher (SIGIR 2009), suma un término por cada lista en la que aparece un documento. Elasticsearch documenta el bucle como score += 1.0 / (k + rank(result(q), d)), con la constante de rango k en 60 por defecto. Su documentación dice: “RRF requires no tuning.” (traducción: RRF no requiere ningún ajuste).
Un ejemplo resuelto con k = 60:
| Documento | Posición BM25 | Posición vectorial | Puntuación RRF |
|---|---|---|---|
| A | 1 | 3 | 1/61 + 1/63 = 0.0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0.0325 |
| C | no encontrado | 2 | 1/62 = 0.0161 |
B gana porque ambos recuperadores lo sitúan arriba.
La fusión ponderada es el otro método habitual. El método por defecto de Weaviate desde la v1.24, relativeScoreFusion, normaliza las puntuaciones de cada búsqueda y las combina como una suma escalada. Su ajuste alpha pondera ambas: 0 es solo palabras clave, 1 es solo vectorial y 0.75 es el valor por defecto del servidor. La documentación recomienda fijar alpha de forma explícita: el valor por defecto de 0.75 solo se aplica cuando una solicitud llega al servidor sin alpha, y no todas las bibliotecas cliente lo dejan sin definir, así que la ponderación real puede ser distinta.
Tras la fusión, muchos pipelines añaden un reranker sobre los primeros resultados.
Por qué importa
- Recall. Las consultas reales mezclan términos exactos y redacción imprecisa. Un solo recuperador pierde parte de ellas.
- Árabe. La ortografía árabe varía (formas del alef, ta marbuta, diacríticos), lo que perjudica la coincidencia exacta por palabras clave si el texto no se normaliza. Añadir búsqueda vectorial ofrece un segundo camino hacia el fragmento correcto. Consulte búsqueda RAG en árabe y normalización de texto árabe para búsqueda.
- Menos tokens. Una mejor recuperación significa menos fragmentos enviados al LLM por pregunta.
En BroadNet Inference
La búsqueda híbrida se ejecuta en su stack de búsqueda: Elasticsearch, OpenSearch, Weaviate o similar. BroadNet no ofrece endpoints de embeddings ni de reranking, así que genere los embeddings con otro proveedor o con un modelo local. Envíe los mejores fragmentos fusionados a un modelo de chat de BroadNet como Qwen3.8 27B o GLM 5.3 mediante la Chat Completions API. Con corpus pequeños, compárelo con poner los documentos en un contexto largo; consulte contexto largo frente a RAG.