展开本页目录
开始前准备什么
- 下载完整练习包，在独立目录阅读README与已执行范围。
- 安装requirements.txt指定版本或使用文中目标工具；依赖与模型权重不要混入网站工程。
- 只有明确标为已执行的部分有本次证据；真实模型、账号或GPU步骤按自己的环境另行验证。
- 构造型号精确词与语义两个信号
- 保留各路原始候选
- 创建命名dense与sparse向量
- 运行两路prefetch
- 执行FusionQuery RRF
- 比较稀有型号的召回
- 交付三份排序与配置
1. 构造型号精确词与语义两个信号
稠密向量偏向通用重启内容，稀疏索引7表示Q7型号。所有向量为作者手工设置，目的是观察融合机制。
2. 保留各路原始候选
audit.py分别输出dense和sparse排名，再算作者k=60的参考RRF。这个常数不冒充当前Qdrant默认值。
本题独立目录执行
bash
python reference/audit.py3. 创建命名dense与sparse向量
集合分别配置vectors_config与sparse_vectors_config；两个分支都记录向量名称，避免查询走错字段。
本题SDK或目标环境入口
bash
python reference/run_sdk.py
4. 运行两路prefetch
用同一查询分别发Dense向量和SparseVector(indices,values)，记录limit和过滤条件。预取过少可能让目标永远进不了融合。
5. 执行FusionQuery RRF
真实query_points把两个Prefetch送进Fusion.RRF，保留实际分数和顺序，不拿作者公式硬断言服务默认分值。
6. 比较稀有型号的召回
查看文档3是否进入候选、融合后位置如何；同时保留只有dense的反例。混合检索仍须用真实任务评估相关性。
7. 交付三份排序与配置
包内提供原生内存Qdrant脚本和作者参考。未运行真实embedding/BM25训练，不能把手工向量结果当生产召回率。
怎样确认已经完成
- 两路rank和分数不能混为同刻度
- 料号与语义改写均有独立真值
- 已运行真实Qdrant内存dense+sparse Prefetch/RRF并保存实际排序；作者k60公式仅参考，未运行真实embedding/BM25或业务召回评估。
常见问题
Qdrant怎么把稠密和稀疏检索结果融合？
命名dense和sparse两种向量，用两路Prefetch交给FusionQuery(RRF)。本包真实内存Qdrant返回1、3、2。
商品型号和语义改写都要能找到，RRF怎么验收？
固定罕见型号、语义改写题与语料，保存dense/sparse/融合三份候选及人工相关性。作者向量可验证机制，不能代替真实业务召回率。
这篇教程哪些步骤已经真正执行？
已运行真实Qdrant内存dense+sparse Prefetch/RRF并保存实际排序；作者k60公式仅参考，未运行真实embedding/BM25或业务召回评估。