Tìm kiếm kết hợp là phương pháp tìm kiếm kết hợp giữa so khớp từ khóa (tìm kiếm thưa thớt) và sự tương đồng về ngữ nghĩa (tìm kiếm vectơ). Nó được áp dụng rộng rãi trong các hệ thống RAG để cải thiện độ chính xác của tìm kiếm.
Tìm kiếm kết hợp là phương pháp kết hợp tìm kiếm thưa thớt bằng cách sử dụng chỉ mục đảo ngược như BM25 và tìm kiếm dày đặc (vectơ) bằng mô hình nhúng. Tìm kiếm thưa thớt có tác dụng chống lại các kết quả khớp chính xác và các thuật ngữ chuyên biệt, trong khi tìm kiếm dày đặc có tác dụng chống lại sự biến động về từ ngữ và ý nghĩa. Bằng cách tích hợp các kết quả của cả hai cách sử dụng Kết hợp xếp hạng đối ứng (RRF) hoặc hợp nhất có trọng số, có thể đạt được độ thu hồi và độ chính xác cao hơn so với một phương pháp duy nhất.
Kể từ năm 2026, tìm kiếm kết hợp đang trở thành tiêu chuẩn trên thực tế trong các hoạt động RAG thực tế. Vector DB như Pinecone, Weaviate và Elaticsearch đã hoàn thành hỗ trợ gốc, tạo ra một môi trường nơi chúng có thể được sử dụng chỉ với các lệnh gọi API. Có ba cạm bẫy chính trong lĩnh vực này. ① Vì thang điểm cho thưa thớt và dày đặc là khác nhau nên lỗi chuẩn hóa là nguyên nhân chính làm giảm độ chính xác. ②Nếu tham số k của RRF không được điều chỉnh đúng cách, hiệu suất có thể đảo ngược trong các truy vấn đuôi dài. ③Giá thị trường cho các mẫu Embed dành riêng cho Nhật Bản (đa ngôn ngữ-e5, v.v.) nằm trong khoảng từ hàng chục nghìn đến hàng trăm nghìn yên Nhật mỗi tháng, có xu hướng vượt quá mong đợi.
Lý thuyết lựa chọn cơ bản là tăng tỷ lệ thưa thớt khi có nhiều thuật ngữ kỹ thuật như số sản phẩm, số model và tăng tỷ lệ dày đặc khi có nhiều câu hỏi mơ hồ trong ngôn ngữ tự nhiên. Nhiều công cụ RAG có trong ReviewAI sẽ áp dụng thiết kế này kể từ năm 2026.