ToWow 算法解读：从候选检索到合作安排 · 阅读系列导读 →
在合作发现中，同一项需求可以同时交给关键词检索、向量检索等方法。每一种方法都会返回一份候选排名。展示给用户之前，系统需要把这些结果合成一份名单：同一个候选在不同方法里排得不一样，最终应该放在哪里？
倒数排名融合（Reciprocal Rank Fusion，RRF）按候选在各份名单中的名次加分，再把贡献相加，得到共同排序。ToWow 发现前端的一轮诊断用它组合了五路检索。本文先演算融合规则与参数作用，再看一个实际结果：前一百名的召回率点估计上升了，前十名的排序质量却下降了。理解这个差别，才能判断融合究竟改善了哪一步。
融合规则：把不同分数尺度转换为名次贡献
一份需求送进关键词检索，某个候选可能得 12 分；送进向量检索，同一个候选可能得 0.8。把 12 和 0.8 直接相加，会让分数尺度更大的那一路占据主导。数字大并不说明那一路更可信。
一种做法是先校准各路分数，再学习怎样组合。这样能保留分差的信息，但也需要合适的数据和校准方法。RRF 选择了一种更容易开始的折中：只问候选排第几，把各路名单变成共同的名次尺度。
候选排第 r，这一份名单给它 1/(k+r) 分。把所有名单给它的分数加起来，再重新排序。当前实现用 k=60。
先用两份名单演示。候选甲在第一份里排名第 1，在第二份里第 100；候选乙在两份里都排第 10。
| 候选 | 名单一 | 名单二 | RRF 分数，k=60 |
|---|---|---|---|
| 甲 | 1 | 100 | 1/61 + 1/160 ≈ 0.02264 |
| 乙 | 10 | 10 | 1/70 + 1/70 ≈ 0.02857 |
融合后，乙排在甲前面。一份名单给甲的冠军位置，并没有抵消另一份名单把它排到后面的影响。两边都稳定靠前的乙，获得了更多支持。
k 控制名次差别有多尖锐。如果在这个教学例中把它改成 1，甲得约 0.510，乙约 0.182，顺序就反过来了。第一名获得的优势大得多。因此，60 不是一个无关紧要的常数：它缓和了单一路径给出极高排名的影响。本地配置选择了这个常用值，没有据此证明它对合作发现最优。
RRF 由 Cormack、Clarke 和 Büttcher 在 2009 年提出。他们的论文给出了相同形式的公式，并在检索实验中比较了其他融合方法。它为我们提供的是可复用的算法，论文里的提升不能当作我们数据上的提升。原始论文
多路融合的前提：候选身份一致，检索信号可能重复
本地 M1 实现组合了五路排序：BM25、稀疏与哈希特征的混合、一个编码器的稠密检索、两个编码器各在自己的空间里算出相似度后取平均的分数，以及岭变换后的跨空间分数。每一路先在同一案例中给候选排好名，再按公式相加。
这里容易被“融合”二字掩盖的是候选身份。两路说的必须是同一个候选，才能把支持加在同一张卡片上。反过来，同名但不同主体也不能混成一个人。当前算法靠明确的候选标识维持这种对应。
融合也不等于集合并集。并集解决“所有列表里出现过谁”，RRF 解决“这些人怎样排”。在这个实验里，各路对共同候选池评分，最后仍只取前一百名；某个方法单独放进前一百的人，融合后可能被挤出去。没有规则保证融合后的前一百，同时包含每一路原本的前一百。
还要留意名单之间的关系。如果五路都使用相近的文字和表示，它们可能只是以五种方式重复同一个偏好。RRF 会把五路支持加起来，但不会检查这些支持是否独立。一个错误偏好因重复获得高分，仍然是可能的。
M1 诊断：召回率点估计上升，前十名排序质量下降
在 M1 的诊断报告里，BM25 的 Recall@100 约为 0.538，RRF 约为 0.575。按有正例的 37 个案例平均，差值约为 3.67 个百分点。
这看上去是好消息，但按案例重新抽样得到的 95% 区间约为 −3.32 到 +11.50 个百分点，仍跨过零。现有样本没有给出足够证据，让我们断言这项召回改善可靠成立。
补注（2026 年 10 月）：这次评测每个案例只有约 180 个候选，取前一百名时，随机排序的召回率期望约为 0.555；文中的 Recall@100 读数（BM25 0.538、五路融合 0.575）都在这个水平附近，不能单独说明哪种方法更好。这是一次实验室诊断：案例取自公开文本，标签由大模型裁判给出，不是正式结论，也不代表 ToWow 网络现在的发现路径。
另一边，前十名的 nDCG 点估计从约 0.155 降到 0.128。这个指标会考虑相关候选是否放得靠前：同样找到一个好候选，把它放在第一位和第十位，价值不同。两项读数合起来提醒我们，覆盖和顺序必须分别看。
这份诊断数据有部分标注和样本选择的限制，不能直接代替真实用户效果。它已经足够改变一项设计判断：增加检索来源以后，仍需要单独解决哪些候选值得先看。不能拿候选覆盖的好消息替第一页的质量交差。
后续设计因此尝试先确定前一百名的成员，再在这个固定集合内重排。如此，重排可以改变第一页的顺序，却不会把已经进入前一百的候选踢出去。这个约束保住的是集合成员，因此保住相同标签口径下的 Recall@100；它是否让第一页更好，还要另看结果。将一个指标固定住，能让下一次比较更容易解释，并不等于另一个指标已经改善。
RRF 的价值，是让多路检索有一个简单、透明的共同起点。它没有解决“哪一路值得相信”这个更难的问题。名单变多以后，我们获得了更多意见；怎样把意见变成值得行动的顺序，仍然需要观察真实候选、相关性和使用成本。
来源。 M1 融合实现（实现定位保留于编辑档案），M1 诊断决定（实现定位保留于编辑档案），后续固定成员重排规则（实现定位保留于编辑档案）。本例将五路缩为两路以显示参数作用；两路数值不是历史案例。
公众号排版与配图
本篇另备有明亮、适合手机连续阅读的公众号排版稿，配图按照本文机制单独绘制。查看公众号版，或下载 Markdown、HTML、PNG 与 SVG 配图包。