2026-06-24 关键词重合召回
定义
一种不依赖向量 embedding 的文档相似度排序：从查询文本（或当前文档）提取关键词，在候选文档的标题 + 正文 + 摘要中统计关键词命中数，按命中数降序返回 top N。
与 RAG 与 Graph RAG 中的向量相似检索不同，这里是字面重合 + 轻量分词启发式，适合中小规模、低基础设施成本的场景。
典型流水线
- 分词 / 抽词：去 Markdown 标记；中文切 2-gram；英文按空格切词；去停用词与单字噪声。
- 加权：标题词权重高于正文（常见比例 3:1）；长文只看前若干行抓主题。
- 打分：候选 haystack 对每条关键词做
includes，命中 +1。 - 过滤与排序：排除自身；过滤 0 分；按
_score降序；截断 limit。 - 回退：相似度无命中 → 文件名子串；仍无信号 → 按名称排序。
与向量 RAG 的对比
| 维度 | 关键词重合召回 | 向量 RAG |
|---|---|---|
| 基础设施 | 纯 JS 函数即可 | embedding 模型 + 向量库 |
| 语义泛化 | 弱（同义词难关联） | 强 |
| 延迟 | 极低，适合 UI 下拉 | 取决于索引与模型 |
| 可解释性 | 高（可见命中哪些词） | 低（黑盒相似度） |
| 适用规模 | 个人 / 小团队知识库 | 大规模语料 |
仓库内证据
- 关联文档搜索能不用向量 embedding 吗（md-render
contextRecall.js+RelatedDocPicker） - RAG VS Graph RAG
- RAG 与 Graph RAG
实践结论
关键词重合召回是「够用版相似度」：在 Agent 召回相关旧文、编辑器关联文档下拉等即时、轻量场景，复用同一套纯函数比单独上 embedding 更划算。语义缺口用文件名子串或后续 FTS5 / 向量层 补齐。
若针对现有文档库过度调参（停用词、权重、截断行数），在新文档或新问法上召回变差，可类比 过拟合——对当前语料过拟合、泛化不足。
维护：Cursor Agent，2026-06-24（补过拟合类比互链）。