让 AI 合并两份检索榜：RRF看名次，重复一份榜单也会改变结果
关键词搜索给文档打12分，向量搜索给它0.82分，直接相加未必有意义：两个分数来自不同尺度。可以让AI准备一份倒数排名融合账本，只使用文档在各榜中的名次，先把“怎样合并”说清楚。
AI模型生成的概念插图：两组资料汇入一个候选列表；不是检索软件截图、真实资料或按本文得分比例制作的图。
给每份资料一个稳定编号
以下是原创教学记录。A为快速入门，B为常见问题，C为离线功能说明，D为更新记录。假设同一查询的关键词榜为A、B、C，语义榜为C、B、D，各取前三名。两份榜里的B指同一个文档版本；不能只凭标题相似就合并身份。
采用等权RRF，名次从1开始，常数k固定为10。文档出现在某榜第r名，就从该榜获得1/(10+r)；没有出现则贡献0。Elastic官方文档给出了这一按名次累计的公式。k=10是本文的演示选择，不是给所有检索任务的最优参数建议。
先保留分数，再排总榜
A只有关键词第一名，得1/11，约0.090909。B在两榜都是第二，得1/12+1/12=1/6，约0.166667。C分别是第三与第一，得1/13+1/11=24/143，约0.167832。D只有语义第三，得1/13，约0.076923。
总榜因此为C、B、A、D。C只比B高1/858，约0.001166；不要先把两者都四舍五入成0.17再随意交换。保留分数或足够精度，最后才格式化显示。本文用精确分数独立核对了排序。
缺席不是“排在第四”。若给A在语义榜补一个虚构第四名，就会额外加1/14，变成另一种计分规则。榜单截断只能说明这次返回范围内没见到它，不能补造名次，也不能断言它在全文库里不相关。
同一榜单复制两次，会悄悄改权重
再把关键词榜原样加入一次，模拟配置里重复接入同一路结果。此时B变成3/12=0.25；C变成2/13+1/11=35/143，约0.244755，第一名改为B。A为2/11，D仍为1/13。
这个变化不是新增证据让B更可信，而是关键词排序得到了两次投票。合并之前应登记每路结果的查询、配置和来源，确认重复是否有意；同一路内也应先明确同一文档重复出现怎样去重。
一份可直接使用的提示词
“建立RRF核算账本：关键词榜[A,B,C]，语义榜[C,B,D]，k=10，各榜等权，排名从1开始，未出现贡献0。列每路贡献、精确总分、最终顺序和C与B差值。再追加一次关键词榜，解释哪项权重改变。禁止补缺席名次、直接相加原始检索分数，或把融合分数叫作答案正确率。”
实际接到AI问答前，可用这份账本检查实现是否遵守规则，再拿有相关性标注的查询评估检索质量。RRF只能重新排列已经找出的候选，无法召回两路都遗漏的关键资料；排在最前也不证明文档内容支持最终回答。
资料核对日期：2026年10月2日。文中为原创教学设定，计算核验不代表真实模型测试。
