Elasticsearch混合检索：BM25与向量结合策略
结合 BM25 与向量检索构建混合检索策略，统一召回与相关性，提升搜索质量与鲁棒性。
向量检索
"向量检索与RAG落地：分块、嵌入、召回与重排"
"给出端到端 RAG 流程与关键参数选择建议，覆盖分块、嵌入、召回与重排，帮助工程化落地与效果提升。"
向量数据库选型：Faiss、Milvus与HNSW
对比常见向量检索方案的索引类型与适配场景，结合召回与延迟权衡进行工程选型。
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。
Elasticsearch向量字段dense_vector与knn_search治理
使用 `dense_vector` 字段与 `knn_search` 实现向量检索，规范维度与索引策略，与文本检索协同提升相关性。
