混合检索:Rexfin 如何在 AI 作答之前找到正确的证据

向聊天工具就一份文件提问，在它给出的那句流畅回答背后，首先必须发生一次搜索:在你上传的每一份文件的每一页中，找出真正可能包含答案的那几段。如果这一步出了错，不管是漏掉了正确的行，还是把十页近似匹配的内容一股脑交给模型，下游再怎么精心设计提示词也无法弥补。Rexfin 把这次搜索当作一个值得认真解决的问题，而不是套在数据库自带搜索框上的一层包装。

两种漏检方式，所以两种都要用

关键词搜索能可靠地找到精确的词语，比如一个科目名称、一个会计代码、脚注中的一句具体表述，但当问题的措辞与文件的措辞不同时，它就会漏检。语义搜索能捕捉到改写后的说法，比如把”cash position”与一份只写了”liquid funds”的文件匹配起来，但它单独使用时，也可能召回一些听起来相关、实则并非正确事实的内容。单独使用任何一种方法，都会留下另一种方法本可以补上的缺口。Rexfin 对每一份文件同时运行两种检索:一次匹配实际字词的词法检索，一次通过向量搜索匹配语义的稠密检索，并在进入流程下一步之前，将两份排序结果融合为一份。任何一种检索都不能单独说了算，融合结果才决定什么算得上是有力的证据。

不让模型先去猜问题

有些检索系统会先让语言模型编造一个假设性答案，再去搜索与这个虚构答案相似的段落，这是应对搜索能力不足的一种权宜之计，也在真正的回答步骤开始之前，给系统多开了一个可能出错的地方，而且出错时还很自信。Rexfin 的检索不走这条弯路，它直接针对用户实际提出的问题进行搜索，匹配文件的真实文本及其向量表示。流程中少一个模型，就少一个虚构前提悄悄左右证据认定标准的环节。

与事实共处一室，而非事后拼装

词法索引和向量索引都运行在保存底层事实的同一个数据库内部，而不是依赖一个需要在文件被摄入时手动同步的独立搜索服务。这一点看似细枝末节，实则关系重大:搜索结果只有在能指向真实事实时才有意义。如果搜索索引存放在别处，并且与实际已摄入的内容出现偏差，检索到的段落可能会指向一个你已经不再信任的东西，这比速度慢是更隐蔽的问题。

一份回答引擎无可辩驳的候选清单

检索环节输出的不是一段散文式的文字，也不是一份摘要，而是一组经过排序的具体片段和原子事实，每一条都能精确追溯到其所在页面。这份候选清单，就是回答引擎在回答该问题时被允许调用的证据的全部范围。这也正是这个平台能够在下游坚持一条硬性规则的原因:要么引用，要么拒答,绝不臆测。如果检索没有找出正确的段落，回答引擎手头就没有可以引用的东西，诚实的做法是拒答，而不是给出一个流畅的猜测。同样是这份候选清单，让平台能够在 对话 中，针对每一个数字准确展示它出自哪一页，检索正是让这种溯源指针得以存在的那一步。

经过核验，而非仅凭信任

检索处于决定一个 AI 答案最重要两件事的上游:这个数字对不对，以及它是否引用了真实存在的内容。因此它不会在建成之后就无人过问、放任运行。它是这个平台 答案质量评估 在每一次变更中都会检查的一部分:对检索环节的改动，必须通过与模型或提示词改动同样的分级测试集，一个悄悄开始漏检正确证据的版本，会在到达答案之前就在那里被拦下，而不是之后。

为什么这一点比看起来更重要

搜索引擎给人的感觉像是水管管道，运行正常时几乎隐形，也很少有人第一时间问起它。但正是这一层，决定了 AI 在开口之前究竟被允许看到什么。一旦搞错,AI 在引用来源这件事上可以表现得完全规矩，却依然引用了错误的来源，因为正确的段落从一开始就没有进入候选集合。Rexfin 的做法，即词法检索与语义检索结合、不盲目信任查询改写模型、与被搜索的事实共用同一个存储，目的就是让 AI 最终说出的每一句话，在说出口的那一刻，看到的都是正确的那一页。想了解检索如何与平台其他部分配合，参见 支柱页概览;或者 预约演示,亲眼看它在你带来的文件中找出正确的脚注。