Reciprocal Rank (RR) 详解

一句话解释

“第一个正确答案排在第几名？”

排得越靠前，分数越高；如果没找到，分数为 0。

核心公式

RR = ─────────────
      排名位置

范围：0.0 ~ 1.0
  第1名找到 → RR = 1/1 = 1.0
  第2名找到 → RR = 1/2 = 0.5
  第3名找到 → RR = 1/3 = 0.33
  没找到    → RR = 0

直观理解
想象你在用搜索引擎搜问题，通常你只关心第一个出现的正确答案在第几页第几行。如果第一个正确答案排在第 1 位，体验最好；排在第 10 位，体验就很差。

  1. [相关] ✅  → RR = 1.0  (太好了，一眼就看到)
  2. [无关]
  3. [无关]
  4. [相关] ✅  → RR = 0.25 (找了半天才在第4个看到)
  5. [无关]

在 RAG 中的演进：MRR vs RRF

在实际的 AI 检索中，单独的 RR 通常演化为两个重要应用：

MRR (Mean Reciprocal Rank)：用于评估检索系统的好坏。
RRF (Reciprocal Rank Fusion)：用于混合检索的结果融合。

1. MRR（平均倒数排名）- 评估指标

当你测试多个问题时，把每个问题的 RR 加起来求平均，就是 MRR。

query_1: 正确答案在第 1 位 → RR = 1.0
query_2: 正确答案在第 3 位 → RR = 1/3 ≈ 0.33
query_3: 正确答案在第 2 位 → RR = 1/2 = 0.5

# MRR 计算
MRR = (1.0 + 0.33 + 0.5) / 3 = 0.61

意义：MRR 越接近 1，说明系统越能把正确答案顶到第一位。

2. RRF（倒数排名融合）- 混合检索核心算法

这是 RR 在现代 RAG 中最重要、最常见的应用！
当我们在做“向量检索 + 关键词检索（BM25）”时，两套系统给出的排名完全不同，怎么把它们合并？

RRF 核心思想：不管两套系统的分数差多少，我只看你的排名！
排名越靠前，贡献的分数越多，最后把两套系统的分数加起来重新排名。

公式
RRF_score(d) = Σ 1 / (k + rank_i(d))

• d：某个文档
• i：第 i 个检索系统（如向量检索、BM25检索）
• rank_i(d)：文档 d 在第 i 个系统中的排名
• k：平滑常数（通常取 60），防止排名第 1 的文档权重过大

动手算一算（k=60）

假设检索一个词，系统 A（向量）和系统 B（关键词）结果如下：

最终融合排名：
文档2 (0.03252) - 两套系统都觉得不错，排第一！
文档3 (0.03200)
文档1 (0.01639)
文档4 (0.01587)

RRF 的巨大优势

┌─────────────────────────────────────────────┐
│  为什么 RAG 混合检索最爱用 RRF？            │
├─────────────────────────────────────────────┤
│                                             │
│  1. 无需归一化                              │
│     向量检索分数是 0.8，BM25 分数是 12.5    │
│     分数量纲不同，直接相加毫无意义。         │
│     RRF 只看排名，不看分数，完美解决！       │
│                                             │
│  2. 抗干扰能力强                            │
│     某个系统偶尔抽风给出离谱高分，           │
│     不会严重影响最终结果。                   │
│                                             │
│  3. 实现简单，效果出奇的好                  │
│     不需要训练模型，不需要调参，             │
│     简单的加减法就能融合出高质量结果。       │
│                                             │
└─────────────────────────────────────────────┘

在 LangChain 中的体现

如果你用 LangChain 的 EnsembleRetriever 做混合检索，它底层默认使用的就是 RRF 算法！

from langchain.retrievers import EnsembleRetriever

# bm25 = 关键词检索器
# vector = 向量检索器

ensemble_retriever = EnsembleRetriever(
    retrievers=[bm25, vector],
    weights=[0.5, 0.5],
    # 底层利用 Reciprocal Rank 机制融合两套结果
)

# 调用时，内部自动计算每个文档在两个检索器中的 RR 分数，加和后重排
docs = ensemble_retriever.invoke("什么是大模型？")

总结

┌─────────────────────────────────────────────┐
│  Reciprocal Rank (RR) 两种形态：            │
├─────────────────────────────────────────────┤
│                                             │
│  作为评估指标 (MRR)：                       │
│    看正确答案排在第几位，评估系统好坏。      │
│                                             │
│  作为融合算法 (RRF)：                       │
│    把不同检索系统的排名转化为分数并相加，    │
│    是 RAG 混合检索的基石。                  │
│                                             │
└─────────────────────────────────────────────┘

💡 记忆口诀：
评估看 MRR，融合用 RRF，只看排名不看分！