Fusion-RAG

多路分数不可比，直接加权会被某一通道主导，或同一段重复占满 Top-k。根因是跨通道未校准。本方法用 RRF 或校准融合。它不增加新信号，前路都空则融合也空。

本文属于 RAG 工程框架中的「2 索引与召回」环节，聚焦「Fusion（融合召回）」方法。

定位

维度	内容
角色	多路结果的名次合并
输入 → 输出	多份 `rank_list` → 去重后的融合列表
默认组合	Elasticsearch RRF；`ranx` / PyTerrier
何时不用	只有一路检索；前路 Recall 已经是零

核心机制

$$
\mathrm{RRF}(d)=\sum_i \frac{1}{k+\mathrm{rank}_i(d)}
$$

未出现在该路的 $\mathrm{rank}_i$ 视为 $\infty$（该项为 0）。

实现路径与心智：吃入多路已排序列表，按排名倒数加权（RRF）或先校准再加，去重后截断。底层心智：可比的是名次不是原始分；融合不能变出任何一路都没召回的文档。前路都空，融合也空。

优缺点

优点：稳健、计算轻。
缺点：不创造新召回。

契约与走通样例

输入

1	{"lists": {"bm25": ["C1", "C9", "C3"], "dense": ["C3", "C1", "C5"]}}

中间量

$k=60$：C1 得 $1/61+1/62\approx0.0325$，C3 得 $1/63+1/61\approx0.0323$，C9 仅 $1/62$。C1 第一。

输出

1	[{"doc_id": "C1", "rrf": 0.0325}, {"doc_id": "C3", "rrf": 0.0323}]

社区实现

Elasticsearch RRF；离线评测用 ranx。风险：各路 top_k 差一个数量级时，短名单通道被饿死。

工程落地

最小可运行示例

复制为 .py 后直接运行（仅标准库）。生产可用 Elasticsearch rank_window_size 的 RRF 或 ranx。

"""多路排名按名次倒数融合；未出现在该路的文档该项为 0。"""
from __future__ import annotations


def reciprocal_rank_fusion(rank_lists: list[list[str]], k: int = 60) -> list[tuple[str, float]]:
    """输入多份已排序 doc_id 列表；输出 (doc_id, rrf) 降序。"""
    scores: dict[str, float] = {}
    for lst in rank_lists:
        for rank, doc_id in enumerate(lst, start=1):
            scores[doc_id] = scores.get(doc_id, 0.0) + 1.0 / (k + rank)
    return sorted(scores.items(), key=lambda x: -x[1])


if __name__ == "__main__":
    fused = reciprocal_rank_fusion(
        [
            ["C1", "C9", "C3"],  # bm25
            ["C3", "C1", "C5"],  # dense
        ],
        k=60,
    )
    print([(d, round(s, 4)) for d, s in fused[:2]])
    # 期望 C1≈0.0325, C3≈0.0323

参数

参数	起点	影响
RRF $k$	60	标准平滑
每路长度	同量级	否则一路缺席

失效—信号—螺丝

加原始分：一路主导。螺丝：改 RRF。
未去重：同一 chunk 占两席。螺丝：按 id 合并。
前路空：融合也空。螺丝：回退查召回，不要调 $k$。

规模（100 篇生物学 PDF）

融合本身毫秒级。成本在各通道前序检索。