混合檢索

深度分析

生產環境 RAG 失準解析：從向量檢索到檢索即服務的可擴展設計

本文探討生產環境下RAG系統失準的根源：檢索而非語言模型出問題。作者提出以混合檢索、大量候選集、多階段排序與統一服務為核心做法，文章強調先廣撒候選再用快速過濾與昂貴重排精煉證據的漏斗式流程。結果顯示，改善檢索架構能顯著降低自信錯誤回答風險。

速報

CubeGraph：結合向量搜尋與時空篩選的全新索引框架

隨著向量相似度搜尋結合時空篩選需求激增，傳統將向量索引嵌入 R 樹的做法會造成碎片化，查詢必須呼叫多個子索引，效能受限。研究提出 CubeGraph，使用階層格子劃分空間，於查詢時即時串接相鄰格子圖，實現單次遍歷即找最近鄰。實驗顯示相較於現有基準，查詢速度與擴展性皆有顯著提升。

深度分析

混合檢索成為主流：企業為何在 RAG 擴展受限後重構檢索層

VBPulse調查指出2026年第一季企業對混合檢索的採用意願在一季內由10.3%增至33.3%。企業從單一向量檢索轉向結合稠密向量、關鍵字搜尋與重排的混合架構，以求在代理化工作負載下取得檢索精準與運行可靠性的平衡。檢索層成為企業能否在大規模代理應用維持可信度與合規性的關鍵之一。

深度分析

StratRAG 基準：在含干擾候選池下比較 BM25、密集向量與混合檢索

StratRAG 將 HotpotQA 的 distractor 設定重新結構化，針對檢索階段提供一套可重複、可量化的多跳評測基準。資料集包含約2,200個題目，每題配對固定的15篇候選文件（2篇黃金文件、13篇相關干擾文），可直接計算 Recall@k、MRR 與 NDCG 等檢索指標。

深度分析

Lyzr Cognis：以雙儲存（OpenSearch + 向量庫）與混合檢索強化對話式LLM的持久記憶

面對對話式大模型缺乏持久記憶，研究提出LyzrCognis：以雙儲存層（OpenSearchBM25＋向量檢索）與RRF融合，寫入時採語境感知抽取決定新增或更新，加入時間加權與BGE-2重排以強化時序查詢與版本回溯。實驗於LoCoMo與LongMemEval顯著領先。

深度分析

圖形與代理式檢索在威脅情報 RAG 系統的系統性評估

在網路安全威脅情報分析中，研究比較向量、圖形、代理式與混合四種 RAG 架構。圖形檢索提升結構化事實查詢表現，混合模式在多跳問題上較向量提升最高 35%。結果顯示結合圖形與文字可顯著改善資訊檢索品質。

深度分析

多錨點架構提升 AI 代理人身份持續性與彈性記憶

現代 AI 代理人在上下文窗口溢位、對話摘要化時會出現身份遺失問題。研究提出以身份檔與記憶日誌分離的多錨點架構，搭配混合 RAG+RLM 檢索，自動導向適切的記憶存取方式。實驗證明，即使部分記憶受損，代理人仍能保持高度身份連續性，提升系統彈性與可靠性。

量子靈感嵌入

量子靈感 1024 維文件嵌入的上限與混合檢索實驗評估

本研究針對文件檢索提出量子靈感的 1024 維嵌入表示，透過重疊窗口與多尺度聚合建構，同時加入語意投影與蒸餾機制。實驗發現 BM25 仍為基線，量子嵌入單獨使用時排序不穩，混合檢索可提升效能，顯示其適合作為輔助元件。