deep-searcher深度检索：多路召回与精排迭代实战

1. 从“搜得到”到“搜得准”deep-searcher 到底在解决什么麻烦做 RAG 应用的人都有一个共同的痛向量检索把语义相近的片段捞回来了但捞回来的东西经常“答非所问”。你问“这份合同里违约金的计算基数是什么”它给你返回三段都在讲“违约责任”的段落可偏偏没有那句写着“以合同总金额为基数”的关键句。问题不在于向量模型不行而在于单一向量召回天然缺少“精排”和“多跳推理”的能力。zilliztech/deep-searcher这个项目就是冲着这个缺口去的。它做的事情可以一句话概括在向量库之上叠一层“深度检索”逻辑让检索过程从一次性召回变成有策略的多轮搜索与筛选。你可以把它理解成给向量数据库配了一个“会追问、会排除、会交叉验证”的检索大脑而不是一个只会做余弦相似度的哑巴索引。它适合谁三类人最该关注。第一类是正在做企业知识库、文档问答的工程师手里已经有 Milvus 或 Zilliz Cloud但召回质量卡在瓶颈上第二类是做 Agent 应用的开发者需要给智能体一个可靠的“查资料”工具而不是让它瞎编第三类是研究检索策略的技术人想看看在向量召回之外还能怎么加杠杆。需要先说明一点这个项目的公开资料相对精简很多实现细节需要结合它的定位和同类系统的通用做法来推断。下面涉及具体机制的部分我会明确区分“项目本身的设计意图”和“基于行业常见实践的合理补充”你照着落地时以实际代码为准。2. 拆开看 deep-searcher 的检索链路为什么不能只做一次向量召回2.1 单次召回的三个硬伤要理解 deep-searcher 的价值得先看清朴素 RAG 的检索环节到底弱在哪。我把它归纳成三个硬伤每一个都对应着实际项目里踩过的坑。硬伤一查询和文档的语义鸿沟。用户问的是“怎么退订”文档里写的是“服务终止流程”。向量模型能把这两个映射到相近空间但相近不等于精确。一旦文档里有大量“终止”“取消”“关闭”混在一起召回结果就会互相污染。硬伤二Top-K 的 K 值是个玄学。K 设小了关键片段可能排在第 11 位被截断K 设大了噪声片段涌入反而把真正有用的信息稀释掉。我见过太多项目把 K 拍脑袋定成 5 或 10然后抱怨“模型答不准”——其实问题出在检索端。硬伤三缺少查询改写和结果验证。用户的一句话查询往往信息量不足。比如“上个季度的营收”到底指哪个季度、哪家公司、哪个口径单次检索没有机会去澄清或扩展这些维度。deep-searcher 的思路就是针对这三点分别加机制查询侧做改写与分解召回侧做多路并行结果侧做重排与过滤。这三步串起来才叫“deep”。2.2 深度检索的通用架构分层虽然项目没有把架构图直接摊开但按这类系统的通行设计deep-searcher 大概率遵循这样的分层层级职责常见实现手段查询理解层改写、分解、扩展用户查询LLM 改写、HyDE、子问题拆解召回层多路并行取回候选片段向量检索 关键词检索 元数据过滤精排层对候选做相关性重排Cross-Encoder、LLM 打分、RRF 融合验证层判断结果是否足够回答LLM 自检、覆盖度评估、迭代触发这个分层的核心思想是把“检索”从一个函数调用变成一个可以迭代的控制流。传统 RAG 里检索是线性的——查一次、拿结果、塞给模型。deep-searcher 里检索是有状态的——查完发现不够可以换个问法再查或者对已有结果做二次筛选。提示分层不是越多越好。每加一层都意味着额外的 LLM 调用和延迟。实际落地时查询改写和精排是性价比最高的两层验证层要看你的场景对准确率的容忍度。2.3 和普通 RAG 检索的本质区别很多人会问这不就是加了个 rerank 吗不完全是。普通 rerank 是在同一批候选里重新排序候选集本身没变。deep-searcher 的关键差异在于候选集的动态扩展——它可能根据第一轮结果生成新的查询去捞新的片段把候选池做大之后再精排。打个比方普通 rerank 像是把一筐苹果重新按大小排好deep-searcher 像是发现这筐苹果不够又去别的树上摘了几筐然后混在一起挑最好的。前者优化的是排序后者优化的是召回的上限。这个区别在复杂查询上体现得特别明显——当答案分散在多个文档里时单批候选根本凑不齐必须靠多轮检索去拼。3. 查询改写与分解让检索从“问一句”变成“问对几句”3.1 为什么原始查询往往不能直接拿去检索用户输入的查询和适合向量检索的查询经常不是一回事。我总结了几种典型情况你看看是不是很眼熟。第一种是指代不明。“它的参数是多少”——这个“它”在对话历史里但检索系统只拿到这一句根本不知道查什么。第二种是口语化冗余。“我想问一下那个关于报销流程的事情大概是怎么弄的”——去掉废话之后核心就四个字“报销流程”。第三种是复合问题。“A 产品和 B 产品在价格和售后上有什么区别”——这其实是四个子问题缠在一起单次检索很难同时命中。deep-searcher 在查询侧要做的就是把这些“不适合检索的查询”翻译成“适合检索的查询”。这一步的投入产出比极高因为查询改写的成本只是一次 LLM 调用但它能同时提升召回率和精排效果。3.2 查询改写的几种落地策略按我的实践经验查询改写可以分几个层次来做复杂度递增效果也递增。最轻量的是同义扩展。把“退订”扩展成“退订 取消订阅 终止服务”用扩展后的词做多路检索再合并。这个用 LLM 一句话就能生成成本极低。中等复杂度的是 HyDE假设文档嵌入。让 LLM 先“假装”写一段能回答这个问题的文档然后用这段假文档去检索。原理是假文档的措辞和真实文档更接近比原始查询的向量更“像”目标片段。这个方法在问答类场景里效果很稳。最重的是子问题分解。把复合查询拆成多个独立子问题每个子问题单独检索最后合并结果。这需要 LLM 判断查询是否复合、怎么拆、拆完怎么合并。deep-searcher 作为“deep”定位的系统大概率支持这种分解能力。# 查询分解的伪代码示意帮助理解控制流 def decompose_query(user_query, llm): prompt f判断以下查询是否包含多个独立子问题。 如果是拆分成子问题列表如果不是返回原查询。 查询{user_query} 以 JSON 列表格式返回。 sub_queries llm.invoke(prompt) return sub_queries # 每个子问题独立检索结果合并去重 all_candidates [] for sq in decompose_query(user_query, llm): all_candidates.extend(vector_search(sq, top_k10)) deduped deduplicate(all_candidates)3.3 改写带来的副作用与规避查询改写不是免费的午餐它有两个副作用必须防。副作用一是语义漂移。LLM 改写时可能“自作主张”加入原查询没有的限定条件。比如你问“退款政策”它改写成“7 天无理由退款政策”凭空多了个“7 天”。如果文档里写的是“15 天”这次改写就把正确答案排除了。规避办法是保留原始查询作为一路召回改写结果作为补充路最后合并。这样即使改写跑偏原始路还能兜底。副作用二是延迟叠加。每次改写都是一次 LLM 调用如果再做子问题分解可能一次查询要调三四次模型。在交互式场景里用户等 3 秒和等 8 秒的体验天差地别。我的做法是对改写做缓存——相同或相似的查询直接命中缓存不重复调用。另外简单查询走轻量改写只有检测到复合结构时才触发分解。注意改写策略要和你的文档特征匹配。如果你的文档本身就是短句、关键词密集比如产品参数表过度改写反而有害因为原始查询的关键词已经足够精确了。4. 多路召回与结果融合把候选池做厚再谈精度4.1 向量检索之外为什么还要关键词检索纯向量检索有个被低估的短板对精确匹配不敏感。用户查一个产品型号“XR-2000”向量模型可能把“XR-2100”“XR-200”都召回来因为它们在语义空间里太近了。但用户要的就是精确的那个型号。这时候关键词检索BM25 或稀疏向量就补上了。它对精确 token 的匹配是硬性的型号、编号、专有名词这类查询关键词路往往比向量路更准。deep-searcher 作为深度检索系统多路召回几乎是标配——向量路负责语义泛化关键词路负责精确命中两条路的结果融合后覆盖面比单路宽得多。4.2 RRF 融合一个不需要调参的合并方案多路召回之后怎么把不同来源的结果合并成一个排序最常用的是RRFReciprocal Rank Fusion倒数排名融合。它的公式很简单RRF_score(d) Σ 1 / (k rank_i(d))其中rank_i(d)是文档 d 在第 i 路召回里的排名k 是平滑常数通常取 60。这个方案的好处是不需要知道各路分数的绝对量级只看排名。向量相似度是 0 到 1 的小数BM25 分数可能是几十上百直接加权平均根本没法比。RRF 绕开了这个问题。融合方案优点缺点适用场景加权分数平均简单直观需归一化量级敏感同类型召回源RRF无需调参鲁棒丢失分数细节异构召回源Cross-Encoder 重排精度最高慢成本高候选少、精度要求高我的经验是先用 RRF 做粗融合把候选压到 20 到 30 条再用 Cross-Encoder 或 LLM 做精排。这样既保证了覆盖面又控制了精排的成本。4.3 元数据过滤被很多人忽略的召回加速器多路召回之外还有一个几乎零成本但效果显著的手段元数据过滤。如果你的文档带有时间、来源、类型、权限等结构化字段检索时先按这些字段过滤能把候选集缩小一个数量级。举个实际例子。一个法律知识库用户问“2023 年之后的劳动合同法解释”。如果不做元数据过滤向量检索会在所有年份的文档里捞然后靠语义去区分年份——这恰恰是向量模型的弱项。但如果文档入库时就把“年份”存成元数据检索时加一个year 2023的过滤条件候选集瞬间从十万级降到千级召回精度和速度双提升。deep-searcher 这类系统通常会在召回层支持这种过滤因为它和“深度”并不冲突——深度检索不等于无脑扩大搜索范围而是在正确的范围内做聪明的搜索。5. 精排与迭代验证决定“搜够了没有”的关键一环5.1 精排模型怎么选Cross-Encoder 还是 LLM 打分候选池做厚之后就要做精排了。这里有个选型问题用专门的 Cross-Encoder 重排模型还是直接用 LLM 打分Cross-Encoder 的优点是快且专。它把 query 和 document 拼在一起过一遍模型输出相关性分数一次能处理几十条延迟可控。缺点是它只判断“相关不相关”不理解“能不能回答问题”。LLM 打分的优点是理解力强。你可以让 LLM 判断“这段内容是否足以回答用户问题”这是 Cross-Encoder 做不到的。缺点是慢、贵候选多了扛不住。我的实践方案是两级精排先用 Cross-Encoder 把 30 条压到 8 条再用 LLM 对这 8 条做“可回答性”判断和排序。这样兼顾了效率和精度。deep-searcher 作为深度检索系统很可能也是类似的两级思路。5.2 迭代检索什么时候该“再搜一轮”深度检索和普通检索最大的区别就是它允许迭代。第一轮检索完系统要判断现有结果够不够回答问题不够的话是换个查询再搜还是扩大范围再搜这个判断逻辑通常交给 LLMdef should_iterate(query, retrieved_docs, llm): prompt f用户问题{query} 已检索到的内容 {format_docs(retrieved_docs)} 判断这些内容是否足以完整回答问题 如果不足指出还缺什么信息并生成一个补充查询。 以 JSON 返回{{sufficient: bool, missing: str, next_query: str}} return llm.invoke(prompt)这个机制的价值在于避免“检索不足就硬答”。很多 RAG 系统明明没搜到关键信息还是硬着头皮让 LLM 生成结果就是幻觉。迭代检索给了系统一个“承认没搜到再搜一次”的机会。5.3 迭代的终止条件与成本控制迭代不能无限进行必须设终止条件。我一般设三个轮次上限最多迭代 2 到 3 轮再多延迟受不了。信息增益阈值如果新一轮检索没有带来新的有效片段就停。置信度判断LLM 判断现有信息已足够就停。成本控制上迭代检索的 LLM 调用次数是普通检索的好几倍。我的建议是只在必要时开启迭代——简单查询走单轮只有检测到查询复杂或首轮结果置信度低时才触发迭代。这样大部分请求还是快的只有少数难查询付出额外成本。提示迭代检索的日志一定要打全。记录每轮的查询、召回数量、LLM 判断结果这样出问题时能复盘是哪一轮跑偏了。我踩过的坑就是没打日志结果线上效果波动时完全不知道从哪查起。6. 落地 deep-searcher 时的工程细节与踩坑记录6.1 向量库选型与索引参数deep-searcher 出自 Zilliz和 Milvus 生态天然亲近。如果你已经在用 Milvus 或 Zilliz Cloud接入成本最低。索引类型上我一般用HNSW因为它在召回率和延迟之间平衡得最好。关键参数两个M控制图的连接度efConstruction控制建索引时的搜索范围。参数常用值调大影响调小影响M16-32召回率高内存占用大召回率降内存省efConstruction200-400索引质量高建索引慢建索引快质量降ef (查询时)64-128召回率高查询慢查询快召回降我的经验是数据量在百万级以下M 取 16、efConstruction 取 200 足够。别一上来就拉满先跑通再调优。另外ef是查询时参数可以动态调——对精度要求高的查询临时调大普通查询用默认值。6.2 分块策略对深度检索的影响分块chunking是 RAG 里最容易被低估的环节。分块大小直接决定了检索的粒度。块太大一个块里混了好几个主题向量被平均掉检索不准块太小上下文断裂LLM 拿到片段也拼不出完整答案。我的实践是分层分块先按文档结构标题、段落做粗分再对超长段落做细分同时保留父子关系。检索时命中子块返回时带上父块作为上下文。这样既保证了检索粒度又保证了生成时的上下文完整。deep-searcher 做深度检索时分块策略尤其重要。因为多轮检索会命中多个块如果块之间没有关联信息合并时就会丢失逻辑。带上父块 ID 或章节路径能让合并后的上下文更连贯。6.3 我踩过的三个真实坑坑一改写查询把关键实体改没了。早期我用 LLM 做查询改写没保留原始查询结果一次线上事故用户查一个内部项目代号LLM 觉得这个代号“不规范”改写成了通用描述导致检索完全跑偏。后来改成原始查询必留一路再没出过这个问题。坑二精排模型和向量模型不匹配。向量模型用的是多语言模型精排却用了个纯英文 Cross-Encoder结果中文查询的精排分数全是乱的。教训是召回和精排的模型要在同一语言空间里别混搭。坑三迭代检索陷入死循环。有一次 LLM 判断“信息不足”生成的补充查询和原查询几乎一样第二轮检索结果没变化又判断不足差点无限循环。后来加了查询相似度检测如果新查询和历史的太像直接终止迭代。6.4 效果评估别只看召回率评估深度检索系统光看召回率是不够的。召回率只衡量“该捞的捞到没有”不衡量“捞到的有没有用”。我建议至少看三个指标召回率标准答案所在片段是否在候选集里。精排后命中率标准答案是否排在 Top-3。端到端答案准确率最终生成的答案是否正确。这三个指标是递进关系。召回率高但精排差说明融合或重排有问题精排好但端到端差说明生成环节或上下文组织有问题。分开看才能定位瓶颈。7. 这套深度检索思路还能往哪延伸deep-searcher 代表的方向——把检索从单次函数调用升级为有策略的控制流——其实可以延伸到很多场景。比如多模态检索。现在很多知识库里有图有表纯文本向量检索覆盖不了。把图片描述、表格结构也做嵌入纳入多路召回是自然的延伸。再比如带记忆的检索。同一个用户连续问几个相关问题系统应该记住上一轮检索到了什么避免重复劳动也能做增量补充。这需要给检索加一个会话级的状态管理。还有检索结果的可解释性。深度检索因为有多轮和精排其实天然带有更多中间信息——哪一路召回的、精排分数多少、哪一轮补进来的。把这些暴露出来用户能知道“为什么给我这个答案”信任度会高很多。我在实际项目里的体会是深度检索的收益在复杂查询上最明显在简单查询上反而是负担。所以别一刀切做个查询复杂度判断简单的走快路复杂的走深路。这个分流逻辑本身可能比任何单点优化都值钱。