RAG 的关键词检索和向量检索，可能各自找对一部分材料，却给出难以直接比较的分数。RRF（倒数排名融合）用名次合并结果：先保留两路检索各自的排序，再把同一文档的排名贡献相加。它不需要把 BM25 分数和向量相似度硬凑到同一尺度。

为什么不直接把两路分数相加？

关键词检索擅长利用词项匹配信号，向量检索利用表示空间里的相似性。某一路得到 12 分，另一路得到 0.8，并不能仅凭数字大小判断谁更相关。直接相加会隐含一个尺度选择；归一化或训练融合是其他路线，RRF 则选择只看名次。

例如搜索具体错误码时，字面匹配可能很重要；换一种说法表达概念时，语义匹配可能有帮助。这是采用混合检索的动机，不是两路必然互补的保证，需要用真实查询验证。

RRF 的公式与一个小例子

对文档 d，RRF(d) = Σ 1 / (k + rankᵢ(d))。排名从 1 开始，只对包含该文档的列表求和；没被某一路召回，就没有那一路的贡献。k 是平滑常数，不是返回结果数。本例使用 k = 60。

B 在两路中都靠前，最终超过关键词列表第一名 A。这种跨列表支持并不证明 B 的内容正确；分数只是融合规则的产物，也不是答案正确概率。

用 Python 复算，而不是凭图判断

from collections import defaultdict
from fractions import Fraction

def rrf(lists, k=60):
    if k <= 0:
        raise ValueError('k must be positive')
    scores = defaultdict(Fraction)
    for ranked in lists:
        if len(set(ranked)) != len(ranked):
            raise ValueError('duplicate document ID in one list')
        for rank, doc in enumerate(ranked, 1):
            scores[doc] += Fraction(1, k + rank)
    return sorted(scores.items(), key=lambda x: (-x[1], x[0]))

results = rrf([['A', 'B', 'C'], ['B', 'D', 'A']])
assert [doc for doc, score in results] == ['B', 'A', 'D', 'C']
assert rrf([]) == []
assert rrf([['Z'], ['A']])[0][0] == 'A'
try:
    rrf([['A', 'A']])
except ValueError:
    pass
else:
    raise AssertionError('duplicates must be rejected')
for doc, score in results:
    print(doc, f'{float(score):.8f}')

代码已执行，输出与表格一致。它用分数做精确累加，只在展示时转为小数；同分时按文档 ID 排序，保证本例可复现。单路重复 ID 被拒绝，避免重复贡献；跨路相同 ID 正是需要融合的对象。空输入也已检查。

设输入名次总数为 N、不同文档数为 U。忽略数值运算位宽变化，字典累加平均 O(N)，排序 O(U log U)，额外空间 O(U)。这段代码没有运行关键词或向量检索，也不能说明真实系统的延迟。

候选窗口比公式更容易被忽略

每路只取前几个结果，就只有这些候选能进入融合。两路都没找到的文档，RRF 无法恢复。若融合后需要十条结果，却每路只检索极少候选，先检查召回窗口，再讨论排名常数。

增大 k 会缩小靠前与靠后名次之间的相对差异，不能将其当作“越大越准确”的旋钮。窗口大小、检索器质量及列表相关程度都会影响最终排序。Elastic 与 OpenSearch 的参数名称和限制属于各自产品接口，不能把示例函数当成其完整实现。

融合之后还要检查什么？

先统一文档或分块 ID：同一内容若在两路使用不同 ID，会被当成不同候选；不同内容若错误共用 ID，又会被错误合并。对检索结果做权限过滤，不能让融合把用户无权阅读的材料送入模型。

融合后可以再用适合任务的重排器，但它仍只能处理候选。保留检索相关性指标、答案引用是否支持论断，以及端到端延迟的分别测量。搜索质量变好，不等于模型一定忠实使用材料；引用也应对照原文检查。

RRF 面向检索，不改变生成阶段的 KV cache，可结合KV cache 原理与显存估算区分检索与生成的成本。English version。

参考资料

• RRF 原始论文，SIGIR 2009，本文讨论已有算法，不将其包装成新论文或最新新闻；原论文实验不作为本站性能承诺。
• Elastic：Reciprocal rank fusion，公式、排名起点与候选窗口的官方说明。
• OpenSearch：RRF，另一种产品实现的第一手文档。接口以实际使用版本为准。

补发说明：本文实际于2026年10月8日稍后补发，文章日期保留原计划的北京时间09:00。