# 🧩 Summary
## RRF（Reciprocal Rank Fusion）算法详解
### **核心问题：如何融合不同来源的排序结果？**
text
```
场景：混合检索
├─ BM25检索结果： [Doc5, Doc2, Doc9, Doc1, Doc7]
└─ 向量检索结果： [Doc2, Doc5, Doc1, Doc12, Doc8]
问题：怎么合并成一个排序？
```
### **❌ 错误方案：直接加权分数**
python
```python
# 问题：不同算法的分数量纲不同
bm25_scores = {
"Doc5": 15.2, # BM25分数范围：0-20
"Doc2": 12.8,
"Doc1": 8.5
}
vector_scores = {
"Doc2": 0.92, # 余弦相似度：0-1
"Doc5": 0.88,
"Doc1": 0.85
}
# 直接相加没有意义！
final_score = bm25_score + vector_score # 15.2 + 0.88 = ???
```
### **✅ RRF方案：只看排名，不看分数**
#### **RRF公式**
text
```
RRF_score(d) = Σ 1 / (k + rank_i(d))
i∈所有检索系统
参数：
- k: 常数（通常取60），防止除零并平滑排名差异
- rank_i(d): 文档d在第i个检索系统中的排名
```
#### **完整**
# 💡 Cues
# Notes