文章摘要企业RAG从单一向量检索升级到混合检索后，通常需要解决“多路结果如何合并”和“候选文档如何再次排序”两个问题。RRF、DBSF、加权融合和Cross-Encoder经常被放在一起比较，但它们解决的层次并不完全相同。本文从输入、计算成本、是否依赖分数标定、可解释性和适用场景出发，给出一套可执行的选型方法。一、先区分融合与重排典型混合检索：用户问题 ├─ BM25或稀疏检索 ├─ Dense向量检索 └─ 业务规则检索 ↓ 候选集合 ↓ 融合 ↓ 重排 ↓ Top N上下文其中：融合解决：多路检索结果如何合并常见方法：RRF；DBSF；WeightedRanker；归一化后加权。重排解决：候选文档与当前问题到底谁更相关常见方法：Cross-Encoder；ColBERT或Late Interaction；大模型评分；业务规则重排。因此，RRF和Cross-Encoder通常不是二选一，而可以串联：Dense＋Sparse → RRF融合Top100 → Cross-Encoder重排Top20 → 最终Top5二、RRF：最安全的默认方案RRF全称Reciprocal Rank Fusion。它主要使用文档在各路结果中的排名，而不是直接使用原始分数。简化公式：score(d) = Σ 1 / (k + rank(d))假设文档A：BM25排名第1 Dense排名第4文档B：BM25排名第8 Dense排名第1RRF会根据两路排名综合计算，而不要求：BM25分数 和 余弦相似度处于同一量纲。优点不依赖原始分数可比；对不同检索器比较稳定；参数少；容易上线；没有评测集时也能使用；对异常高分不敏感。缺点丢失原始分数差异；无法表达某一路检索更重要；排名变化一位与分数巨大变化可能被同等处理；业务定制能力有限。适合没有成熟评测集 Dense与Spar