9.2 · 查询处理与 Hybrid 检索（Query Processing and Hybrid Search）

查询处理与 Hybrid 检索（中文译文）

原始 DeepWiki 页面：https://deepwiki.com/infiniflow/ragflow/9.2-query-processing-and-hybrid-search

翻译时间：2026-05-27T08:44:42.692Z

翻译模型：deepseek-chat

原文字符数：11202

项目：RAGFlow (ragflow)

--- 好的，作为一名资深技术文档翻译专家，我将严格遵循您的要求，对这份 DeepWiki 技术文档进行全文翻译和润色。

---

查询处理与混合搜索

相关源文件

以下文件被用作生成此 Wiki 页面的上下文：

• api/db/__init__.py
• api/db/db_models.py
• api/db/services/dialog_service.py
• api/db/services/document_service.py
• api/db/services/file_service.py
• api/db/services/knowledgebase_service.py
• api/db/services/llm_service.py
• api/db/services/task_service.py
• api/db/services/user_service.py
• common/metadata_utils.py
• common/query_base.py
• deepdoc/parser/paddleocr_parser.py
• memory/services/query.py
• rag/nlp/query.py
• rag/nlp/rag_tokenizer.py
• rag/nlp/search.py
• rag/nlp/term_weight.py
• rag/prompts/meta_filter.md
• rag/raptor.py
• rag/svr/task_executor.py
• test/unit_test/common/test_apply_semi_auto_meta_data_filter.py
• test/unit_test/common/test_metadata_filter_operators.py
• web/src/components/metadata-filter/index.tsx
• web/src/components/metadata-filter/metadata-filter-conditions.tsx
• web/src/components/metadata-filter/metadata-semi-auto-fields.tsx
• web/src/components/originui/time-range-picker.tsx
• web/src/components/paddleocr-options-form-field.tsx
• web/src/components/ui/input-select.tsx
• web/src/pages/user-setting/setting-model/modal/paddleocr-modal/index.tsx

本文档介绍了驱动 RAGFlow 检索系统的查询处理管线与混合搜索机制。内容涵盖用户查询的预处理、转换为搜索向量、与基于关键词的搜索相结合，以及在文档存储中执行查询的完整流程。

概述

RAGFlow 实现了一种结合以下三种策略的混合搜索方案：

• 向量搜索：通过 MatchDenseExpr rag/nlp/search.py:61 使用嵌入向量模型进行语义相似度匹配。
• 全文搜索：通过 MatchTextExpr rag/nlp/query.py:177-179 使用类似 BM25 的算法进行关键词匹配。
• 融合：使用 FusionExpr rag/nlp/search.py:25 对两种搜索方法进行加权组合。

查询处理流程包括语言检测、多轮对话的查询优化、关键词提取，以及由 rag/nlp/search.py 中的 Dealer 类 rag/nlp/search.py:37-41 管理的自适应搜索策略。

查询预处理管线

在执行搜索之前，用户查询会经过多个预处理步骤，以提高检索质量。

多轮对话的查询优化

当用户进行多轮对话时，RAGFlow 可以选择性地通过引入前几轮对话的上下文来优化查询。rag/nlp/query.py 中的 FulltextQueryer 类处理了将自然语言问题转换为结构化查询表达式的核心逻辑 rag/nlp/query.py:27-40。

查询优化流程图

flowchart TD
    UserQuery["用户查询<br/>（最新消息）"]
    CheckMultiTurn["检查对话历史"]
    CheckRefine["prompt_config<br/>refine_multiturn?"]
    FullQuestion["full_question()<br/>基于大语言模型（LLM）的优化<br/>rag/prompts/generator.py"]
    SimpleQuery["直接使用查询"]
    SearchReady["查询已就绪<br/>可进行搜索"]

    UserQuery --> CheckMultiTurn
    CheckMultiTurn --> CheckRefine
    CheckRefine -->|"是"| FullQuestion
    CheckRefine -->|"否"| SimpleQuery
    FullQuestion --> SearchReady
    SimpleQuery --> SearchReady

优化过程通常会使用一个大语言模型（LLM）来重写当前查询。此操作在 DialogService 内部通过 full_question 提示词进行管理 api/db/services/dialog_service.py:51。然后，FulltextQueryer.question 方法会准备包含优化后文本的 MatchTextExpr rag/nlp/query.py:41-94。

来源：rag/nlp/query.py:27-94, api/db/services/dialog_service.py:51, rag/nlp/query.py:41-94

跨语言查询处理

RAGFlow 通过检测查询语言并可选地进行翻译来支持跨语言检索。rag_tokenizer 提供了处理繁简体中文转换和全角半角字符规范化的工具 rag/nlp/query.py:53-54。

flowchart LR
    Query["用户查询"]
    DetectLang["is_chinese()<br/>rag_tokenizer.py"]
    CheckCrossLang["Dialog<br/>cross_language<br/>已启用?"]
    Translate["cross_languages()<br/>rag/prompts/generator.py"]
    Process["继续<br/>处理"]

    Query --> DetectLang
    DetectLang --> CheckCrossLang
    CheckCrossLang -->|"是"| Translate
    CheckCrossLang -->|"否"| Process
    Translate --> Process

rag/prompts/generator.py 中的 cross_languages 函数由 DialogService 调用，用于规范化问题语言 api/db/services/dialog_service.py:51。

来源：rag/nlp/query.py:52-60, api/db/services/dialog_service.py:51, rag/nlp/rag_tokenizer.py:1-20

关键词提取与词项加权

为了增强检索效果，RAGFlow 会提取关键词并分配权重。

• 词项加权：权重基于词性标注和频率数据计算得出 rag/nlp/query.py:29-30。
• 同义词：通过 synonym.Dealer 查找，并以降低的权重（例如 w/4.0）添加到查询中 rag/nlp/query.py:68-72。
• 提取逻辑：FulltextQueryer 会拆分查询并为每个 Token 生成词项权重 rag/nlp/query.py:105-115。

来源：rag/nlp/query.py:27-30, rag/nlp/query.py:60-72, rag/nlp/query.py:105-115

混合搜索架构

核心搜索机制通过加权融合策略，将向量相似度与关键词匹配相结合。

搜索组件架构

graph TB
    subgraph "自然语言空间"["自然语言空间"]
        Q["用户问题文本"]
        QTok["tokenize()<br/>rag_tokenizer.py"]
        QKwd["关键词与权重<br/>rag/nlp/query.py"]
    end

    subgraph "表达式"["代码实体空间：表达式"]
        MatchText["MatchTextExpr<br/>BM25 关键词搜索<br/>字段: content_ltks, title_tks"]
        MatchDense["MatchDenseExpr<br/>向量相似度搜索<br/>度量: cosine"]
        FusionExpr["FusionExpr<br/>类型: weighted_sum"]
    end

    subgraph "执行"["代码实体空间：执行"]
        Dealer["Dealer.search()<br/>rag/nlp/search.py"]
        DocStore["DocStoreConnection.search()<br/>common/doc_store/doc_store_base.py"]
    end

    Q --> QTok
    QTok --> QKwd

    QKwd --> MatchText
    MatchText --> FusionExpr
    MatchDense --> FusionExpr

    FusionExpr --> Dealer
    Dealer --> DocStore

来源：rag/nlp/search.py:37-61, rag/nlp/query.py:27-40, rag/nlp/search.py:132-170

向量搜索组件

向量搜索组件使用嵌入向量进行语义匹配。

• 度量：余弦相似度是标准度量 rag/nlp/search.py:61。
• 列选择：系统会根据维度识别合适的向量列，例如 q_{len}_vec rag/nlp/search.py:60。
• 编码：通过 emb_mdl.encode_queries 调用嵌入向量模型 rag/nlp/search.py:54。

来源：rag/nlp/search.py:53-61, api/db/services/llm_service.py:120-134

全文搜索组件

全文搜索针对 FulltextQueryer 中定义的多个字段进行，并带有特定的权重提升 rag/nlp/query.py:31-39：

• title_tks^10
• important_kwd^30
• question_tks^20
• content_ltks^2

来源：rag/nlp/query.py:31-39, rag/nlp/search.py:173-180

融合策略

Dealer 类通过将 MatchTextExpr 和 MatchDenseExpr 与 FusionExpr 结合来实现混合融合。

• 融合执行：系统会创建一个 FusionExpr 并将其传递给数据存储的搜索方法 rag/nlp/search.py:175-180。

来源：rag/nlp/search.py:25, rag/nlp/search.py:175-180

元数据过滤

RAGFlow 支持在检索过程中进行复杂的元数据过滤。Dealer.get_filters 方法将请求参数映射到数据库字段 rag/nlp/search.py:120-130。

参数	数据库字段	描述
kb_ids	kb_id	知识库标识符
doc_ids	doc_id	文档标识符
available_int	available_int	状态过滤器（激活/未激活）
knowledge_graph_kwd	knowledge_graph_kwd	知识图谱（KG）特定过滤器
entity_kwd	entity_kwd	实体过滤器

common/metadata_utils.py 中的 apply_meta_data_filter 函数负责处理应用这些规则的逻辑，包括支持“自动”（由大语言模型（LLM）生成）、“半自动”和“手动”模式 common/metadata_utils.py:38。

来源：rag/nlp/search.py:120-130, common/metadata_utils.py:38, api/db/services/dialog_service.py:38

搜索执行流程

搜索过程由 Dealer.search 方法编排，该方法负责处理分页、字段选择和结果修剪。

sequenceDiagram
    participant S as DialogService
    participant D as Dealer
    participant DS as 文档存储（ES/Infinity）

    S->>D: search(req, idx_names, kb_ids, emb_mdl)
    D->>D: get_filters(req)

    alt 是关键词搜索
        D->>D: qryr.question(qst)
    else 是混合搜索
        D->>D: get_vector(qst, emb_mdl)
        D->>D: FusionExpr("weighted_sum")
    end

    D->>DS: search(src, highlightFields, filters, matchExprs, ...)
    DS-->>D: 结果 (ids, fields, highlight)

    D->>D: _prune_deleted_chunks(sres)
    D-->>S: SearchResult

来源：rag/nlp/search.py:77-118, rag/nlp/search.py:132-180

RAPTOR 与 GraphRAG 集成

查询处理还与高级检索结构进行交互：

• RAPTOR：rag/raptor.py 中的 RecursiveAbstractiveProcessing4TreeOrganizedRetrieval 类为树状组织检索构建摘要层 rag/raptor.py:156-172。
• GraphRAG：系统可以针对知识图谱执行搜索，利用 Dealer 中的 knowledge_graph_kwd 和基于实体的过滤器等字段 rag/nlp/search.py:126-127。task_executor.py 负责处理 GRAPH_RAG 任务类型 rag/svr/task_executor.py:125。

来源：rag/raptor.py:156-186, rag/svr/task_executor.py:122-128, rag/nlp/search.py:126-127