13.4 第一代：关键词搜索（稀疏检索）

最早的做法：把用户的问题当成搜索关键词，在文档库里找包含这些词的文档。

比如用户问”头疼吃什么药”，系统搜索包含”头疼""什么""药”这些词的文档，找到一堆相关文章，塞给 AI。AI 读完后回答。

这种方法叫关键词检索，在信息检索领域有更专业的名字——稀疏检索。“稀疏”的意思是：绝大多数词的权重是 0，只有少数匹配到的词有权重。这跟后面要讲的”稠密检索”（每个维度都有值）形成对比。

最早用的是一种叫 BM25 的算法——它像一个给词打分的裁判：一个词在文档里出现的次数越多分越高（词频），但如果这个词在很多文档里都出现（比如”的""是”这类常见词），它的权重会被大幅拉低（逆文档频率）。BM25 早在 1994 年就被提出，至今仍是搜索引擎的默认排序算法。

BM25 的核心公式虽然不展开，但它的三个关键参数值得了解：

稀疏检索能在大规模文档库中快速搜索，靠的是倒排索引（Inverted Index）。它的原理就像书的索引页：

搜索时，只需要查”倒排表”就能立刻找到所有包含该词的文档，不需要遍历整个文档库。这就是为什么 Google 能在 0.3 秒内搜索整个互联网——不是因为它把每个网页都读了一遍，而是因为它查了倒排索引。

优点：精确匹配能力强。搜”iPhone 15 Pro Max 256GB 蓝色”——BM25 能精确找到包含所有这些词的文档。搜人名、地名、产品型号、法律条款编号——这是稀疏检索的主场。而且计算效率高，不需要 GPU，不需要 Embedding 模型，几十年前的服务器就能跑。

缺点：不懂语义。“头疼”和”头痛”是同一个意思，但关键词匹配会觉得这两个词不一样。“苹果手机”和”iPhone”指的是同一个东西，但关键词完全匹配不上。BM25 看不到”今天天气真不错”和”今日气候宜人”是同一个意思 ¹。

2026 年的定位：稀疏检索不再单独使用，但它的精确匹配能力在混合检索中不可替代——它弥补了稠密检索在专有名词、数字、代码等精确匹配场景的短板。

← 上一节：13.3 分块策略 —— RAG 的地基｜下一节：13.5 第二代：语义搜索（稠密检索） →

关联6