纯向量搜索的局限性

向量搜索依靠密集向量表示，善于捕获语义关系，即使关键词不完全匹配也能找到相似项。这种能力是现代搜索和检索增强生成（RAG）系统的核心。然而，仅在向量空间中依赖最近邻搜索有其固有的局限性，尤其在要求精确性、特指性或处理超出嵌入模型熟知词汇的术语时。了解这些局限对构建真正高效的搜索系统很重要，并促使混合方法的开发。

精确匹配和关键词敏感性的难题

向量嵌入旨在将语义相似的理念映射到向量空间中相近的位置。尽管功能强大，但此过程固然会弱化词汇差异。对 configure_logging(level="DEBUG") 的查询，可能在语义上接近关于通用日志设置，甚至不同日志级别如 INFO 或 WARNING 的代码片段。然而，用户可能特别需要精确的函数调用签名，或解释 DEBUG 级别的文档。

纯向量搜索在处理精确文本形式很重要的查询时存在不足：

1. 标识符和代码： 产品ID（SKU-A4B1-XYZ）、错误代码（ERR_CONN_TIMEOUT）、特定函数名（calculate_iou_score）、独特的专有名词或保留关键词，通常需要精确匹配。向量搜索可能找到语义上相关的项，但漏掉包含精确标识符的那个。
2. 技术术语和缩写： 尽管嵌入通常能很好地处理常见缩写，但高度专业化或新创造的术语可能无法清晰地表示。搜索 HNSW（分层可导航小世界）理想情况下应优先显示明确定义或讨论HNSW的文档，而不仅仅是关于近似最近邻（ANN）的通用文章。
3. 有意关键词限制： 用户有时会加入特定的关键词来有意缩小搜索范围。例如，查询“机器学习教程 不包括 深度学习”意味着一个特定的负面约束，纯向量相似性可能会忽略，从而可能会返回被认为语义上接近通用机器学习的深度学习教程。

在这些情况下，使向量搜索功能强大的语义“模糊性”变为一个劣势。系统优先考虑相似性而非词汇精确性，未能检索到以精确术语匹配为主要相关性信号的文档。

处理新词、罕见词或词汇外（OOV）术语

嵌入模型在大量数据集上训练，但它们不可避免地遇到训练期间未见的术语（词汇外或OOV术语），或出现频率过低以至于无法形成高质量向量表示的术语。这通常被称为术语的“冷启动”问题。

• 子词模型： 像BERT或Sentence-BERT这样的模型使用子词分词（例如，WordPiece、BPE）将OOV词汇分解为已知的较小单元来处理它们。尽管这使得表示任何文本成为可能，但由通用子词组成的新词或罕见词的生成嵌入可能缺乏特指性，甚至具有误导性。例如，一个新发布的软件库名称可能被分解为常见的子词，导致其嵌入更接近通用软件理念而非其特定功能。
• 低频词： 在训练语料库中很少出现的词汇，可能具有不稳定或区分度差的嵌入。向量搜索可能难以可靠地检索包含这些特定低频词的文档。

这种局限在快速发展的领域（例如，技术、研究、时事）中尤为明显，这些领域新术语不断涌现。纯向量搜索系统可能无法显示包含这些新术语的最相关、最新的文档，直到嵌入模型被重新训练或微调。

当语义相似性不够具体时

有时，语义相似性过于宽泛。用户查询可能旨在更广泛主题中的特定方面或关系。向量搜索优化整体语义接近度，可能会返回与通用主题相关的文档，但错过所要求的特定视角。

设想一个查询，例如“GDPR对用户同意书的影响”。纯向量搜索可能返回关于以下内容的文档：

• 通用GDPR规定。
• 关于用户同意书的一般信息。
• 隐私政策（语义相关）。

尽管相关，这些可能无法直接针对GDPR和同意书之间特定的影响关系。最接近的向量可能代表主要主题（GDPR、同意），而非查询结构和措辞所暗示的特定交集。

行业专业性和嵌入模型偏差

在海量网络语料库（如维基百科、Common Crawl）上训练的通用嵌入模型提供广泛的语义理解。然而，它们可能缺乏高度专业化行业（例如，法律判例、医学研究、复杂金融工具）所需的理解。

• 歧义术语： 一个术语可能有一个常见含义，并在某个行业内有非常特定的含义。通用模型可能默认为其常见含义的嵌入。
• 行业术语： 专业术语可能被视为罕见词（如上所述），或被映射到语义相关但来自通用范围的不正确理念。

如果不对特定行业语料库进行微调，使用通用模型的向量搜索可能在专业化应用中导致次优的相关性。

转向混合解决方案

这些局限说明，尽管向量搜索提供了语义理解的重要能力，但它并非所有搜索相关性难题的普遍解决方案。无法保证精确匹配、对术语新颖性和频率的敏感性、过度泛化的可能以及行业特异性问题，都需要补充性方法。通过将向量搜索与关键词检索（例如使用BM25）等方法相结合，后者擅长词汇匹配，我们可以构建混合搜索系统，它们结合两种方法的优点，从而在更广泛的查询范围内获得更高效的结果。接下来的部分将阐述如何有效地实施这些混合策略。