现在搜索通常分三步：召回 → 精排 → 重排。

1、语义匹配（Semantic Matching）。

核心思想：不匹配“词”，而匹配“意思”。

做法：把文本转成向量（Embedding）

比如：“孩子发烧怎么办”“儿童高烧如何处理”

关键词不同，语义接近，向量距离很近。

这一步：通常用 Transformer 模型生成 embedding。

2、向量检索（Vector Retrieval）。

当所有文档都被转成向量后：用户问题 → 也转成向量→ 在向量数据库中找“最近邻”

这一步：通常用：HNSW、FAISS、Milvus。

HNSW 是一种算法，FAISS 是包含该算法的库，Milvus 是基于这类库 / 算法构建的企业级向量数据库。

本质： 高维空间找最近点。

这叫：“语义召回”。

3、大模型重排序（LLM Re-ranking）。

召回出来可能有 100 条候选。接下来：用大模型判断：哪条最符合用户意图？

例如：

模型输入：

用户问题 + 候选答案1

打分

再输入：

用户问题 + 候选答案2

打分

重新排序。

这一步：叫重排序（Re-ranking）。

小结。

（1）三步的作用分工。

阶段 作用 技术

召回 找可能相关 向量搜索

精排 提高精度 深度模型

重排 理解上下文 大模型

（2）现代搜索本质升级。

从：关键词匹配

变成：语义理解 + 向量空间计算 + 大模型判断