1、优化查询扩展
通过大模型将用户原始问题改写为多个语义等价、视角不同的查询，分别检索后合并结果，解决单一查询漏召回、用户表述不规范的问题
本质就是：用更多 “说法” 去搜，提高召回率。

2、混合检索(BM25 + Vector)(实际用的比较多的方案)
融合 BM25（关键词）和 FAISS 向量检索（语义），平衡召回率和精准度
BM25 (关键词检索): 擅长匹配文档中的高频关键词，对于精确词汇、专业术语等非常有效。
Vector (向量/语义检索, 如FAISS): 能够理解词语间的语义关系，即使查询词与文档用词不同，也能找到意思相近的内容。

3、精细排序: Rerank 模型
使用bge-reranker-v2-m3对混合检索的 Top 20 结果进行重排序
这个方案思路相当于用混合检索，比如检索了30个，再用Rerank模型精细匹配，提高召回精度。
混合检索要快一些，rerank检索要慢一些，所以要先混合检索 再rerank检索。
混合检索 = 粗召回（快、覆盖广）
Rerank = 精排序（慢、精度高）

相关代码可以让ai写，再review