La ricerca per parole chiave trova le parole esatte. La ricerca vettoriale trova il significato. La ricerca ibrida le esegue entrambe e unisce i risultati.
Come funziona
La query va a due retriever contemporaneamente:
- Parole chiave: BM25 su un indice invertito. Forte su nomi, codici e termini rari.
- Vettori: vicini più prossimi tra gli embedding in un database vettoriale. Forte su parafrasi e sinonimi.
I due punteggi sono su scale diverse, quindi la maggior parte dei sistemi li fonde in base alla posizione in classifica o a un punteggio normalizzato.
La reciprocal rank fusion (RRF), proposta da Cormack, Clarke e Büttcher (SIGIR 2009), somma un termine per ogni lista in cui compare un documento. Elasticsearch documenta il ciclo come score += 1.0 / (k + rank(result(q), d)), con la rank constant k impostata a 60 per default. La sua documentazione dice “RRF requires no tuning.” (traduzione: la RRF non richiede tuning).
Un esempio svolto con k = 60:
| Documento | Posizione BM25 | Posizione vettoriale | Punteggio RRF |
|---|---|---|---|
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | non trovato | 2 | 1/62 = 0,0161 |
Vince B, perché entrambi i retriever lo mettono in alto.
L’altro metodo comune è la fusione pesata. Il default di Weaviate dalla v1.24, relativeScoreFusion, normalizza i punteggi di ogni ricerca e li combina in una somma scalata. Il parametro alpha pesa le due parti: 0 è solo parole chiave, 1 è solo vettori e 0,75 è il default del server. La documentazione consiglia di impostare alpha in modo esplicito: il default di 0,75 vale solo quando una richiesta arriva al server senza alpha, e non tutte le librerie client lo lasciano vuoto, quindi il peso effettivo può essere diverso.
Dopo la fusione, molte pipeline aggiungono un reranker sui primi risultati.
Perché è importante
- Recall. Le query reali mescolano termini esatti e formulazioni vaghe. Un solo retriever ne perde una parte.
- Arabo. L’ortografia araba varia (forme di alef, ta marbuta, diacritici), e questo danneggia la corrispondenza esatta per parole chiave se il testo non viene normalizzato. Aggiungere la ricerca vettoriale offre una seconda strada verso il chunk giusto. Vedi ricerca RAG in arabo e normalizzazione del testo arabo per la ricerca.
- Meno token. Un retrieval migliore significa meno chunk inviati all’LLM per ogni domanda.
Su BroadNet Inference
La ricerca ibrida gira nel tuo stack di ricerca: Elasticsearch, OpenSearch, Weaviate o simili. BroadNet non offre endpoint di embedding o di rerank, quindi genera gli embedding con un altro provider o con un modello locale. Invia i chunk migliori risultanti dalla fusione a un modello di chat BroadNet come Qwen3.8 27B o GLM 5.3 tramite la Chat Completions API. Con corpus piccoli, confronta il risultato con l’inserimento dei documenti in un contesto lungo; vedi contesto lungo o RAG.