你搜一个东西时，gbrain 在背后怎么找

你开始用 brain 了。某天你搜「特斯拉 2024 Q3 财报」，蹦出来的结果很准；另一次你搜「我长期持有的底层逻辑」，它也懂你意思。你可能会想：它到底是怎么找到的？为什么有些系统你搜专有名词搜不到、搜语义又答非所问，而这里两样都还行？

这一课讲 gbrain 的检索怎么工作——但重点不是术语，而是理解它为什么要把两种找法叠在一起。

一、两种找法，各有所短

人类找东西其实有两套直觉。一套是「按名字认人」：你搜「特斯拉 2024 Q3 财报」，脑子直接匹配这几个 exact 词。另一套是「按意思找」：你搜「长期持有的逻辑」，你并不指望哪个文件正好叫这名，你是要它懂你的意思、把相关的都拎出来。

计算机也对应两种检索。关键词检索（BM25） 干第一套——精确匹配词面，专有名词、财报编号、人名这种它极强。向量检索 干第二套——把你的查询和每篇笔记都变成一串数字（embedding），比「意思相近」而非「字面相同」，所以搜语义它行。

问题来了：只用语义（向量），碰到「特斯拉 2024 Q3 财报」这种有标准名字的东西反而弱——它可能在意「财报」的语义而放过了精确的那篇。只用语义，gbrain 自己的评测里 P@5 只有 18（满分 100 里的前 5 命中率）。只用关键词呢？能到 38，但仍不懂你的弦外之音¹。

二、所以两路一起跑，再融合

gbrain 的做法朴素但有效：关键词和向量两路同时召回，各给一份候选列表，再用一个叫 RRF 的融合公式把它们并成一张总排名。RRF 不关心两路各自的分数绝对值，只在意「一个东西在两路里分别排第几」——排得越靠前，融合分越高（公式里那个常数 60 只是调节两路权重的旋钮）²。

融合之后还会叠几层微调：标题命中的提一点权重、某些来源提一点权重，最后用一个交叉编码器做精排（reranker）对前排结果做精细重排。评测里这一步会重排掉约 60% 的榜首结果——说明初排和精排看到的「最相关」并不总一致，精排值得做³。

把两路叠起来后，gbrain 的 P@5 从单路的 18 / 38 跳到 49，叠加图谱后到 97.9 的召回率。这就是「混合」的 payoff：没有一种检索通吃，但叠起来几乎不漏¹。

三、一个让人安心的保底

你亲手修订过的笔记，是你在 brain 里最权威的版本。gbrain 在去重阶段有个保证：每篇返回的结果里，至少保留一个你修订过的权威版本片段（compiled_truth），不会被模型生成的摘要挤掉⁴。对使用者意味着：你花心思改过的投资结论，搜的时候一定有一席之地。

还有个细节关乎「旧归档不要丢」：像 archive/ 这种老目录，gbrain 不会硬隐藏它，只是降一点权重——你仍能搜到，只是默认排在后面⁵。

四、一个建筑师会记下的

检索质量不是靠「换个更强的向量模型」就能大幅提分的。gbrain 的评测清楚显示，图谱和抽取质量才是那道「承重墙」——光调向量模型，P@5 卡在 18；加上图谱与结构化抽取，才冲到 49。所以如果你造自己的工具，别把钱全砸在 embedding 模型上，结构化的图谱和抽取往往更值¹。后面第 5 课会专门讲图谱和矛盾探针。

五、这一课带走的

• 你搜专有名词靠关键词、搜意思靠向量；gbrain 两路同跑、RRF 融合，比任一路都准。
• 融合后还有 reranker 精排，约六成榜首会被重排。
• 你修订过的权威版本，检索时必有一席（compiled_truth 保底）。
• 老归档不会被藏起来，只是降权。

练习题

参考出处