向量检索擅长语义相似，但对精确关键词（型号、代码、专有名词、缩写）可能失灵——'iPhone 15 Pro'和'iPhone 14 Pro'向量极近；BM25 关键词检索正好相反，精确匹配强但没有语义泛化。混合检索两路并行召回，用倒数排名融合（RRF）合并结果，鲁棒性显著优于单一路线，是生产级 RAG 的标配。
Rerank 解决另一个问题：嵌入检索为效率用双塔架构（查询和文档分别编码，只在最后算相似度），交互浅、排序粗糙。重排序模型（如 BGE-Reranker、Cohere Rerank）是交叉编码器，把查询与候选文档拼接输入深度交互，精度高但慢，因此只对小集合用——先粗召回 top-50/100，再精排取 top-5。
易错点：认为有了向量检索就不需要关键词检索；rerank 的输入截断会丢信息，长文档应先定位段落。追问方向：查询改写（query rewrite）、HyDE（先让 LLM 生成假设答案再检索）各自解决什么问题？多路召回的去重与融合策略？