工程 · 深度词条

Semantic Retrieval(语义检索)

不是只找完全相同的关键词,而是根据问题与资料含义是否相近来召回内容。

专题词条基础释义核对 2026-10-20专题核对 2026-10-204 条来源
本页目录 12 节

四层解释

通俗

不是只找完全相同的关键词,而是根据问题与资料含义是否相近来召回内容。

专业

语义检索将查询与文档映射到向量空间,并按相似度或学习到的相关性函数排序候选。

机制

查询和文档使用兼容的 Embedding 编码;近邻索引检索候选,常与关键词、元数据过滤和 Reranking 结合。

工程

必须用真实查询和相关性标注评测 Recall@k、MRR 或 nDCG,并分析同义词、数字、专名和权限过滤。

全链路位置

INPUT查询、文档和 Embedding 模型
→
PROCESS向量编码、近邻检索与过滤
→
OUTPUT语义相关的候选结果

常见用途

  • 企业搜索
  • 问答召回
  • 相似内容发现

专业边界

  • 语义接近不等于能回答问题
  • 数值和精确专名可能不如关键词稳定

常见误解

  • 向量距离就是事实相关性
  • 只要换更大 Embedding 就不需评测

先找得到,再谈回答得好

语义检索把问题与内容表示为向量,按相似性取回候选,能弥补表述不同但含义接近的情况。精确型号、编号和罕见专有词也可能更适合关键词匹配;Hybrid Search 将两类信号结合,而不是宣称一种方法完全取代另一种。

依据Semantic SearchSearch Concepts

把检索失败和生成失败分开

工程判断

本站建议给问题标注所需证据,再检查候选中是否包含它。证据根本没被召回时,先改解析、分块、过滤或检索;证据已在输入中却答错时,再检查上下文与生成。相关度过滤不能替代用户访问权限。

依据Search ConceptsRetrieval-Augmented Generation for Knowledge-Intensive NLP Tasks

Worked Example

问某型号如何退换

虚构教学示例,不对应真实业务数据或性能承诺。

  1. 构造查询

    保留精确型号,同时提取用户描述的故障与退换意图。

  2. 组合召回

    关键词寻找型号,语义检索寻找近义表达,再按生效日期与权限过滤。

  3. 检查证据

    候选必须覆盖适用型号和退换条件;只有泛用政策时不编造具体资格。

先确认找到的是对的材料,再让模型解释。

来源与核对记录

S1
Search ConceptsWeaviate · 官方技术文档 · 查阅 2026-10-20
S2
Machine Learning GlossaryGoogle for Developers · 官方技术文档 · 查阅 2026-10-24
S3
Semantic SearchSentence Transformers · 官方开源文档 · 查阅 2026-10-20
S4
Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis et al. · 原始论文 · 查阅 2026-10-22

基础释义核对:2026-10-20。专题核对:2026-10-20。局部修订不代表旧正文全部复核,尚未完成外部专家审稿。