你的 RAG 应用明明存进去了正确的文档，回答却驴唇不对马嘴？问题很可能不在大模型，而在检索环节。langchain4j 1.11.0 刚刚发布，PgVector 模块原生支持了混合检索，这篇文章先教你怎么用，再带你看看底层 SQL 是怎么拼的。

为啥 RAG 幻觉这么高？

前几天一个群友在技术群里吐槽：他搭了一套 RAG 系统，把 Spring Boot 的官方文档全部灌进了向量数据库，结果问"Spring Boot 3.5 有哪些新特性"，系统返回的竟然是 Spring Boot 2.7 的迁移指南。

文档明明是对的，模型也没问题，那到底哪个环节出了岔子？

答案是检索。

他用的是纯向量检索，也就是把用户的问题转成一个向量，然后在向量空间里找"最像"的文档片段。问题在于，对向量模型来说，"Spring Boot 3.5"和"Spring Boot 2.7"在语义空间里距离很近——它们都是关于 Spring Boot 版本特性的描述，模型只理解了"Spring Boot + 版本特性"这层语义，但 3.5 和 2.7 这种精确的版本号区分，它做不好。

这不是个别现象。只要你的知识库包含大量相似结构但细节不同的文档（比如多个版本的 API 文档、不同产品线的技术规格、相近日期的会议纪要），纯向量检索几乎必然翻车。

最新版本的PIGAI中已经完全适配了，像milvus 、pgvector、ocenbase 等的混合检索策略大大提升RAG搜索的准确性。

PIG AI 首发：RAG + Flow + 多模态全面进化，已经完全支持这种混合检索策略。

纯向量检索到底差在哪

我们先搞清楚向量检索在做什么。它把文本映射到一个高维空间，通过余弦距离或欧氏距离衡量"语义相似度"。这套机制处理"重置密码"和"修改登录凭证"这种同义词替换时表现很好，但它有几个绕不过去的硬伤：

专有名词失灵。产品编号、版本号、错误码这些东西，向量模型处理得并不好。搜"GTX-4090"可能会返回"RTX-3080"的结果，因为它们在向量空间里就是邻居。

过度泛化。问"苹果的营养成分"可能返回 Apple 公司的财报信息，因为向量模型可能没有很好地区分这两个语境。

对短查询不友好。用户输入"CVE-2024-38819"这种查询，向量模型基本是懵的，它倾向于返回"任何跟安全漏洞有关的文档"，而不是精确命中那个特定的 CVE 编号。

问题的本质是：向量检索擅长理解"意思"，但不擅长匹配"字面量"。而很多真实场景恰恰需要字面量的精确匹配。

混合检索：两条腿走路

既然向量检索擅长语义，传统的关键词检索擅长精确匹配，那把它们拼在一起不就行了？

这就是混合检索（Hybrid Search）的核心思路。一次查询，同时跑两条路：

维度	向量检索	关键词检索
匹配原理	语义相似度	关键词精确匹配
对专有名词	容易泛化	精准定位
对同义词替换	处理很好	基本无能为力
对错别字	有一定容忍度	几乎零容忍
需要模型	需要 Embedding 模型	不需要，纯算法

两条路各自返回一个排序结果，然后用融合算法合并。两路检索的分数量纲完全不一样（一个是余弦距离，一个是词频得分），没法直接相加，所以常见的做法是只看排名位置来融合，比如 RRF 算法。

回到前面那个例子，"Spring Boot 3.5"这几个字会在关键词检索那条路上被精确命中，即使向量检索依然返回了 2.7 的内容，融合之后 3.5 的文档也会排在前面。

langchain4j 1.11.0：PgVector 混合检索落地

langchain4j 发布了 1.11.0 版本。这个版本的 Notable Changes 不少，Agentic 模式支持了流式和多模态，MCP 协议升级到了 2025-11-25 规范，Mistral 推理模型也得到了支持。但我觉得对做 RAG 的同学来说，最实用的一条是这个：

• • PgVector: hybrid search implementation（PR #4288，贡献者 @YongGoose）

对于大多数 Java 项目来说，PostgreSQL 基本是标配。PgVector 作为 PostgreSQL 的向量扩展，已经是 Java 生态做 RAG 的主流选择。这次直接在 PgVector 模块里加上混合检索，不需要引入额外的搜索引擎，改几行配置就能用。

怎么用：三步搞定

PgVectorEmbeddingStore 新增了一个 SearchMode 枚举，两个值：VECTOR（纯向量，默认）和 HYBRID（混合搜索）。

第一步，构建 Store 时开启混合搜索：

PgVectorEmbeddingStore store = PgVectorEmbeddingStore.builder()    .host("localhost")    .port(5432)    .database("mydb")    .table("embeddings")    .dimension(384)    .searchMode(SearchMode.HYBRID)   // 就这一行    .rrfK(60)                        // 可选，默认 60    .textSearchConfig("simple")      // 可选，默认 simple，英文可改 english，中文需装 zhparser    .build();

第二步，搜索时传入原始文本查询：

EmbeddingSearchRequest request = EmbeddingSearchRequest.builder()    .queryEmbedding(questionEmbedding)  // 向量检索用    .query(question)                     // 关键词检索用    .maxResults(5)    .build();EmbeddingSearchResult result = store.search(request);

HYBRID 模式下 query 参数是必填的，不传会抛异常。全文检索没有原始文本查询就没法工作。

第三步，没了。

原有的数据不需要做任何变更，GIN 索引会自动创建。对于已经在用 PgVector 做 RAG 的项目，迁移成本就是加一个 searchMode 配置和一个 query 参数的事。

有个细节要注意：切到 HYBRID 模式之后，返回的 score 含义变了。纯向量模式下 score 是 [0, 1] 的余弦相似度，HYBRID 模式下是 RRF 融合分数，典型范围大概在 0.02 到 0.03 左右（k=60 时最佳情况约 1/61 + 1/61 ≈ 0.0328）。如果你的代码里有基于 score 阈值的过滤逻辑，切换后需要相应调整。

底层 SQL 实现

知道了怎么用，再来看看底层做了什么。search() 方法根据 SearchMode 做路由：

return switch (mode) {    case VECTOR -> embeddingOnlySearch(request);    case HYBRID -> hybridSearch(request);};

纯向量模式下的 SQL 比较简单，用 pgvector 的 <=> 余弦距离运算符排序，(2 - distance) / 2 转成 [0, 1] 的相似度分数。这就是大多数 PgVector 项目目前在用的方式。

混合模式下的 SQL 是一个 CTE 结构，分三段：

WITH vector_search AS (  -- 第一段：向量检索，按余弦距离排序，RANK() 标排名  SELECT embedding_id, text, metadata,    RANK() OVER (ORDER BY embedding <=> :referenceVector) AS rnk  FROM embeddings  ORDER BY embedding <=> :referenceVector  LIMIT :candidateCount),keyword_search AS (  -- 第二段：关键词检索，PostgreSQL 原生全文检索  SELECT embedding_id, text, metadata,    RANK() OVER (ORDER BY ts_rank(        to_tsvector(:config, coalesce(text, '')),        plainto_tsquery(:config, :query)    ) DESC) AS rnk  FROM embeddings  WHERE to_tsvector(:config, coalesce(text, ''))        @@ plainto_tsquery(:config, :query)  ORDER BY ts_rank(...) DESC  LIMIT :candidateCount)-- 第三段：FULL OUTER JOIN 合并，RRF 公式算最终分数SELECT COALESCE(v.embedding_id, k.embedding_id) AS embedding_id,    COALESCE(1.0 / (:rrfK + v.rnk), 0.0)      + COALESCE(1.0 / (:rrfK + k.rnk), 0.0) AS scoreFROM vector_search vFULL OUTER JOIN keyword_search k ON v.embedding_id = k.embedding_idWHERE score >= :minScoreORDER BY score DESCLIMIT :maxResults;

几个值得留意的实现细节：

关键词检索用的是 plainto_tsquery 而不是 to_tsquery，好处是不需要用户手动写 & 和 | 布尔运算符，直接丢自然语言进去就行。

FULL OUTER JOIN 保证了两边的结果都不会丢。一条文档只出现在向量结果里、没被关键词命中，关键词那边贡献 0 分，反之亦然。两边都命中的文档得分最高，自然排在前面。

每个子查询的 LIMIT 取的是 Math.max(maxResults, rrfK)，保证有足够的候选参与融合。

GIN 索引在 initTable() 里自动创建：

if (searchMode == SearchMode.HYBRID) {    String ftsIndexName = table + "_text_fts_gin_index";    query = String.format(        "CREATE INDEX IF NOT EXISTS %s ON %s "        + "USING gin (to_tsvector('%s', coalesce(text, '')))",        ftsIndexName, table, textSearchConfig);    statement.executeUpdate(query);}

整个混合检索 SQL 跑在 PostgreSQL 内部，一次数据库往返就搞定，不需要在应用层做结果合并。

最后

如果你的 RAG 系统在处理版本号、错误码、产品编号这类查询时老是答非所问，大概率不是大模型的锅，而是检索这一环没做好。在 PgVector 上加混合检索是目前改动最小、收益最直接的一步。

当然，混合检索解决的是"召回"层面的问题，让正确的文档进入候选集。如果你对精度要求更高，还可以在混合检索之后再接一个 Reranker 重排模型做精排，那是另一个话题了。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2026 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2026 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！