什么是 稠密检索（Dense Retrieval）？

稠密检索（Dense Retrieval）是一种语义搜索方法，它把查询和文档表示为稠密嵌入向量，并通过向量相似度检索结果。

工作原理

稠密检索是许多现代 RAG 系统的基础，因为它能在查询和文档用词不同的情况下找到语义相关片段。查询编码器把用户请求映射为向量，文档编码器把分块映射为向量，向量数据库或近似最近邻索引返回最相近结果。它的优势是语义匹配；弱点是精确标识符、罕见名称、数字和严格过滤条件可能被漏掉，除非配合元数据过滤、混合检索或重排。

主要特点

  • 以嵌入向量而不是精确词项匹配作为主要检索信号
  • 在模型支持时，可跨改写、同义表达和多语言内容进行语义匹配
  • 通常依赖向量数据库或近似最近邻索引
  • 对嵌入模型质量、分块、归一化和领域不匹配很敏感
  • 生产环境常与稀疏检索、元数据过滤和重排器结合

常见用途

  1. 查找能回答自然语言问题的文档片段
  2. 检索语义相近的客服工单
  3. 支撑知识库、政策和开发者文档上的 RAG
  4. 使用兼容嵌入模型搜索多语言内容
  5. 在交叉编码器重排前提供候选片段

示例

loading...
Loading code...

常见问题

稠密检索和关键词搜索有什么区别？

稠密检索比较嵌入模型学到的向量，而关键词搜索主要比较词项。稠密检索可以在用词不同的情况下匹配语义。

稠密检索会取代 BM25 吗？

不一定。BM25 对精确词、标识符和罕见短语仍然很强，因此许多生产系统采用混合检索。

稠密检索效果差的常见原因是什么？

常见原因包括嵌入模型弱、分块不佳、领域不匹配、缺少元数据过滤，以及查询本身需要精确匹配。

为什么稠密检索后还要重排？

稠密检索适合高效生成候选结果，但重排器能更细致比较完整查询和片段，从而改善最终排序。

相关工具

AI网站导航

权威、全面且持续更新的 AI 人工智能工具与生态资源导航目录。深度覆盖全球与国内顶尖的大语言模型提供商、开放生态与开源项目、前沿学术研究索引与评测排行榜、以及开发者必备的平台与工具目录等。为你提供快速发现、横向能力对比与高效技术选型的最佳入口。支持精准的关键词搜索与个人收藏分组功能，分类分区清晰易用，助你轻松掌握 AI 时代生产力。

JSON 格式化

免费在线JSON格式化(Format)与美化解析工具，一键快速格式化、语法校验和压缩任意复杂的JSON数据字符串。支持直观的代码语法高亮显示、可折叠的交互式树形视图(Tree View)、最近格式化历史记录保存和一键快速复制结果。广泛适用于前后端API接口调试、日志数据分析、以及各类系统配置文件编辑。无需注册登录，100%纯前端本地处理，绝不泄露您的数据隐私。

文本分析器

免费在线全能文本分析与高级字数统计工具。提供极其详尽的字数、总字符数、句子数、段落数精确统计功能，全面支持多语言智能分词(包含中文字符与英文字词独立识别统计)。提供核心高频关键词提取分析、用户平均阅读时间预估和文本排版特征深度检测。专为职业作家、文案编辑、自媒体运营和学生群体设计的文本内容优化辅助神器，即开即用。

相关术语

向量嵌入

向量嵌入是把文本、图像、实体或其他输入映射为数值向量的学习型表示，使特定训练目标关心的关系可以通过距离度量。只有模型、Revision、任务模式、预处理、维度、归一化和距离函数相互兼容时，向量才可直接比较。

向量数据库

向量数据库是专为存储、索引和查询高维向量嵌入设计的数据库系统，使用 HNSW、IVF 等近似最近邻算法在召回率、延迟、内存与更新成本之间权衡。它支持余弦相似度等距离度量，可用于语义搜索、RAG 和推荐系统；实际规模与延迟取决于过滤、硬件、索引参数和并发工作负载。

语义搜索

语义搜索是一种利用学习得到的表示检索语义相关文档的信息检索方法，并通过过滤与排序回答用户意图，而不只依赖词项重合。

稀疏检索（Sparse Retrieval）

稀疏检索（Sparse Retrieval）是一种词法搜索方法，它用稀疏词项权重向量表示查询和文档，并通过显式词项匹配检索结果。

相关文章

向量嵌入工程指南：模型选型、语义检索评测与安全迁移

向量嵌入如何支撑语义搜索和 RAG？本文从向量空间、任务类型、归一化与距离函数讲到模型选型、混合检索、重排、Recall@k 评测、索引容量、权限过滤和双索引迁移，帮助开发者用真实查询集验证 Embedding，而不是依赖排行榜、固定维度或无条件相似度阈值。还覆盖向量版本契约、数据删除、跨租户隔离、近似索引取舍和生产监控。

2026-02-21

RAG 是什么？检索增强生成原理与实战指南【2026】

RAG 是什么？本文系统讲解检索增强生成如何在大语言模型回答前引入外部知识依据，覆盖企业知识库构建、文档清洗与分块、Embedding 向量化、向量数据库、稀疏与稠密混合检索、重排序、提示词约束、引用溯源、离线评估和 Python 实战。适合构建客服问答、内部文档检索、代码知识库与需要持续更新资料的 AI 应用，并说明 RAG 与模型微调的选型差异。

2026-02-21

向量数据库指南：RAG、pgvector、搜索引擎与成本选型

向量数据库什么时候需要、什么时候不需要？本文讲解 Embedding、HNSW、元数据过滤与 RAG，比较 PostgreSQL + pgvector、搜索引擎、专用数据库和托管服务，提供租户隔离、混合检索、召回率、尾延迟、索引更新、数据迁移、备份恢复与总成本的生产选型矩阵和 Python 示例，适合企业知识库、语义搜索、推荐和大规模检索系统。

2026-02-21