多路召回后用 RRF（倒数排名融合）合并的原理是什么？k 值怎么理解？比加权融合好在哪？

一句话速记：RRF 忽略异构检索源的绝对打分，仅依据各路排序位置的倒数加权求和：$RRF(d)=\sum 1/(k+r)$。常数 $k$（通常设为 60）作为平滑项，缩小头部名次之间的分值差异，使打分更倾向于在多路召回中均出现的高共识文档，避免了不同检索源分数的归一化校准问题。

混合检索、RRF

同章节的其他八股

• RAG 的基本流程和各环节的优化点？
• 什么时候用 RAG，什么时候用微调？
• 向量检索为什么还要结合 BM25？
• Bi-Encoder 和 Cross-Encoder 有什么区别？
• 文档切块（Chunking）有哪些策略？块大小怎么选？
• GraphRAG 是什么？适合什么场景？
• RAG 系统怎么评估？
• 什么是 Agentic RAG？和普通 RAG 有什么区别？
• PDF 和表格解析有哪些难点？怎么做？
• BM25 和 TF-IDF 的区别？
• HNSW 和 IVF 索引的原理？怎么选？
• 为什么需要重排序（Rerank）？