一份技术拆解抛出一个尴尬数字：纯向量检索（把问题转成数字坐标、按相似度找资料）的召回率上限就 60-70%，企业 AI 知识库每答 10 道题漏掉 3 道——这事常被甩锅给大模型"笨"，但病灶其实在前一关的搜索环节。

这是什么

企业 AI 客服、知识库、AI 搜索产品，回答问题时都要先"找资料"，再让大模型组织语言。第一步叫检索（Retrieval），真正相关的文档被找到了多少，叫召回率。

行业最近半年形成的判断是：单靠向量检索，召回率天花板就在 60-70%。漏掉的 30-40%，往往落在专有名词、版本号、型号、内部缩写上——恰恰是企业最需要答对的硬骨头。

解法是 Hybrid Search（混合检索）：向量检索 + BM25（一种 1970 年代诞生的关键词匹配算法）。前者擅长语义相近，后者擅长字面精确，各召回 50 条合并后用 Reranker（重排序模型）精排，再输出给大模型。实测召回率可从 64% 拉到 91%。

行业怎么看

支持方认为这是一波工程红利期。换模型的边际收益在递减，把检索做透的投入产出比更高——一家中型 SaaS（软件服务）公司改造周期 2-4 周，答错率可降 25-40%，客户投诉直接打半折。

反对意见则指出这是「工程过度」。Reranker 多一笔 GPU 成本，单次重排 50-100 条要 100-500ms 延迟，高频 toC（面向消费者）搜索场景下用户能感知。BM25 和向量的权重如何融合，每个业务都得重调，没有银弹。问题不集中、调用量不大的场景，先把 prompt 和文档切分做扎实，不必急着上 Hybrid。

对普通人的影响

对企业 IT：未来一年评估 AI 知识库供应商，「召回率怎么测、有没有 Hybrid 链路」要写进招标审核清单。只看 demo 效果的时代过去了。

对个人职场：用企业 AI 搜索碰到答非所问时，多反问一句"是不是检索环节漏了"，不必再怪模型笨。

对消费市场：toC AI 搜索（Perplexity、秘塔、纳米搜索）还会再洗牌一波，召回层做得透的产品，将在专业评测里拉开身位。