本文摘要：智能体检索流程分为召回（双塔向量模型初筛）、空结果过滤（阈值判断）和重排（Reranker精排）。传统NLP依赖分词/词袋模型，现代技术采用Transformer子词切分和稠密向量表征，显著提升语义理解能力。向量数据库通过ANN索引（如IVF/HNSW）实现毫秒级检索，但需结合阈值过滤和混合检索优化结果质量。相比关键词匹配，向量检索支持跨语言和语义泛化，但需处理多义性问题（如"Trans

摘要：智能体检索流程分为召回、空结果判断和二次重排三个阶段。召回阶段采用双塔结构的向量检索，快速筛选语义相近内容但缺乏细粒度区分能力。通过预设相似度阈值过滤无效结果，合格内容进入重排阶段。重排模型通过精细语义比对重新排序，解决高度相似内容的区分问题。相比传统关键词检索，向量检索能实现语义匹配但精度不足，需结合阈值过滤或混合检索优化。典型应用场景包括RAG知识库和语义搜索，核心优势在于处理海量数据时