---
title: "Что такое гибридный поиск? BM25 + векторы и RRF | BroadRouter"
description: "Гибридный поиск объединяет поиск по ключевым словам (например, BM25) с векторным и сливает рейтинги, часто через RRF. Как он устроен и чем помогает RAG."
url: https://broadrouter.com/ru/glossary/hybrid-search/
lang: ru
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/hybrid-search/) (обновлён 2026-11-16).

# Гибридный поиск (hybrid search)

Обновлено 2026-11-16

Гибридный поиск — это метод извлечения, который по одному запросу выполняет поиск по ключевым словам, например BM25, и векторный поиск по эмбеддингам, а затем сливает два ранжированных списка в один, часто с помощью reciprocal rank fusion (RRF) или взвешенной суммы нормализованных оценок.

Также называют: гибридный поиск, гибридное извлечение, гибридный поиск в RAG, BM25 и векторный поиск, слияние рангов, hybrid search, hybrid retrieval, reciprocal rank fusion, RRF

Поиск по ключевым словам находит точные слова. Векторный поиск находит смысл. Гибридный поиск запускает оба и объединяет результаты.

## Как это работает

Запрос одновременно уходит в два ретривера:

-   **По ключевым словам**: [BM25](https://broadrouter.com/ru/glossary/bm25/) по инвертированному индексу. Силён на именах, кодах и редких терминах.
-   **Векторный**: поиск ближайших соседей по [эмбеддингам](https://broadrouter.com/ru/glossary/embeddings/) в [векторной базе данных](https://broadrouter.com/ru/glossary/vector-database/). Силён на перефразах и синонимах.

Оценки двух ретриверов живут в разных шкалах, поэтому большинство систем объединяют их по рангу или по нормализованной оценке.

**Reciprocal rank fusion (RRF)** из работы Cormack, Clarke и Büttcher (SIGIR 2009) суммирует слагаемые по каждому списку, в котором встречается документ. Elasticsearch описывает цикл как `score += 1.0 / (k + rank(result(q), d))`, где константа ранга `k` по умолчанию равна 60. В документации сказано: “RRF requires no tuning.” (перевод: «RRF не требует настройки».)

Пример расчёта при k = 60:

| Документ | Ранг в BM25 | Ранг в векторном поиске | Оценка RRF |
| --- | --- | --- | --- |
| A | 1 | 3 | 1/61 + 1/63 = 0,0323 |
| B | 2 | 1 | 1/62 + 1/61 = 0,0325 |
| C | не найден | 2 | 1/62 = 0,0161 |

B побеждает, потому что оба ретривера ставят его высоко.

**Взвешенное слияние** — второй распространённый метод. Метод Weaviate по умолчанию начиная с v1.24, `relativeScoreFusion`, нормализует оценки каждого поиска и складывает их с весами. Параметр `alpha` задаёт баланс: 0 — только ключевые слова, 1 — только векторы, 0,75 — значение по умолчанию на сервере. Документация рекомендует задавать alpha явно: значение 0,75 по умолчанию применяется, только если запрос доходит до сервера без alpha, а не каждая клиентская библиотека оставляет его незаданным, так что реальный вес может отличаться.

После слияния многие конвейеры добавляют [реранкер](https://broadrouter.com/ru/glossary/reranking/) поверх лучших результатов.

## Почему это важно

-   **Полнота.** Реальные запросы смешивают точные термины и свободные формулировки. Один ретривер пропускает часть из них.
-   **Арабский язык.** Арабское написание вариативно (формы алифа, та марбута, огласовки), и без нормализации текста точное совпадение по ключевым словам страдает. Векторный поиск даёт второй путь к нужному фрагменту. Смотрите [поиск для RAG на арабском](https://broadrouter.com/ru/blog/arabic-rag-search/) и [нормализацию арабского текста для поиска](https://broadrouter.com/ru/blog/arabic-text-normalization-search/).
-   **Меньше токенов.** Чем точнее извлечение, тем меньше фрагментов уходит в LLM на каждый вопрос.

## В BroadNet Inference

Гибридный поиск работает в вашем поисковом стеке: Elasticsearch, OpenSearch, Weaviate или аналогах. BroadNet не предлагает эндпоинтов для эмбеддингов или реранкинга, поэтому эмбеддинги получайте у другого провайдера или от локальной модели. Объединённые лучшие фрагменты отправляйте чат-модели BroadNet, например [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) или [GLM 5.3](https://broadrouter.com/ru/models/glm-5.3/), через Chat Completions API. Для небольших корпусов сравните это с вариантом, когда документы целиком кладутся в длинный контекст; смотрите [длинный контекст или RAG](https://broadrouter.com/ru/blog/long-context-vs-rag/).

## Вопросы и ответы

### Почему бы не обойтись одним векторным поиском?

Эмбеддинги улавливают смысл, но могут пропускать точные строки: артикулы, имена, тексты ошибок. Поиск по ключевым словам их находит. Вместе они покрывают оба типа запросов.

### Нужно ли настраивать RRF?

Обычно почти не нужно. Документация Elasticsearch говорит, что RRF не требует настройки и что объединяемым наборам результатов не нужны сопоставимые оценки релевантности. Константа ранга по умолчанию равна 60.

### Что означает alpha в Weaviate?

Это вес векторных результатов относительно результатов по ключевым словам. По документации Weaviate, alpha 0 — только поиск по ключевым словам, alpha 1 — только векторный поиск, а значение по умолчанию на сервере — 0,75.

## См. также

-   [BM25](https://broadrouter.com/ru/glossary/bm25/) (термин)
-   [Эмбеддинги (embeddings)](https://broadrouter.com/ru/glossary/embeddings/) (термин)
-   [Векторная база данных (vector database)](https://broadrouter.com/ru/glossary/vector-database/) (термин)
-   [Реранкинг (reranking)](https://broadrouter.com/ru/glossary/reranking/) (термин)
-   [RAG (генерация, дополненная поиском)](https://broadrouter.com/ru/glossary/rag/) (термин)
-   [Чанкинг (chunking) в RAG](https://broadrouter.com/ru/glossary/chunking/) (термин)
-   [LlamaIndex и BroadNet Inference через OpenAILike](https://broadrouter.com/ru/guides/llamaindex-openailike/) (руководство)
-   [RAG на арабском: нормализация, чанкинг и поиск, который работает](https://broadrouter.com/ru/blog/arabic-rag-search/) (статья)
-   [Длинный контекст или RAG: когда 1 млн токенов заменяет векторную БД](https://broadrouter.com/ru/blog/long-context-vs-rag/) (статья)
-   [Нормализация арабского текста для поиска и RAG: что менять, а что нет](https://broadrouter.com/ru/blog/arabic-text-normalization-search/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

[Начать](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-hybrid-search&utm_content=page-cta) ·

**Источники**

-   [Cormack, Clarke и Büttcher, Reciprocal rank fusion outperforms Condorcet and individual rank learning methods, SIGIR 2009 (проверено 2026-11-15)](http://cormack.uwaterloo.ca/cormacksigir09-rrf.pdf)
-   [Документация Elasticsearch, reciprocal rank fusion (проверено 2026-11-16)](https://www.elastic.co/docs/reference/elasticsearch/rest-apis/reciprocal-rank-fusion)
-   [Документация Weaviate, концепции гибридного поиска (alpha и методы слияния) (проверено 2026-11-16)](https://docs.weaviate.io/weaviate/concepts/search/hybrid-search)
