搜索相关性 BM25 与向量融合检索（2025）
搜索相关性 BM25 与向量融合检索（2025）融合检索在语义与关键词匹配间取得平衡，适用于通用搜索与问答。一、召回与融合BM25：关键词匹配精准，适合高精度短文本。向量：语义召回覆盖度高，适合自然语言与长文本。融合：按权重或学习排序融合两路结果。二、重排与评估重排模型：基于语义/特征的学习排序提升
搜索
Windows 搜索索引占用高或不返回结果的修复
通过索引选项、服务状态与目录排除策略，修复 Windows 搜索索引占用高或不返回结果的问题，并提供重建与日志验证步骤。
pgvector向量检索与语义搜索实践
在 PostgreSQL 中使用 pgvector 实现向量检索与语义搜索，选择合适的索引（HNSW/IVF）、维度与度量，提供数据处理与验证方法。
混合检索：BM25与向量ANN融合策略
结合传统词项检索与向量近似最近邻，构建高召回与高相关性的混合检索链路，并以重排序提升答案质量。
API 分页与搜索性能优化（2025）
API 分页与搜索性能优化（2025）高数据量下的分页与搜索需工程化优化，提升体验与稳定性。一、分页策略offset：简单但在大偏移下性能下降。cursor：基于排序键的稳定分页，适合滚动列表。二、索引与过滤索引：为排序与过滤字段建立复合索引。过滤：限制可组合条件与范围，避免全表扫描。三、缓存与观测
