FastGPT 源码：RRF、Rerank 相关代码

FastGPT 源码：RRF、Rerank 相关代码

下边介绍 RRF 合并和 Rerank 二次排序的相关实现：

1. RRF (Reciprocal Rank Fusion) 合并实现

主要在 datasetSearchResultConcat 函数中实现（packages/global/core/dataset/search/utils.ts）：

// RRF公式实现
const score = 1 / (k + rank);  // k是一个常数(60)，rank是搜索结果的排名

// 合并多个渠道的搜索结果
arr.forEach((item) => {
  const k = item.k;
  item.list.forEach((data, index) => {
    const rank = index + 1;
    const score = 1 / (k + rank);
    
    // 如果已存在相同ID的结果，合并score
    if (record) {
      map.set(data.id, {
        ...record,
        score: concatScore,
        rrfScore: record.rrfScore + score
      });
    } else {
      map.set(data.id, {
        ...data,
        rrfScore: score
      });
    }
  });
});

RRF 合并主要用在以下场景：

• 合并向量检索和全文检索的结果
• 合并多个查询的搜索结果
• 合并重排序后的结果

2. Rerank 二次排序实现

重排序功能在 reRankRecall 函数中实现（packages/service/core/ai/rerank/index.ts）：

export function reRankRecall({
  query,
  documents
}: {
  query: string;
  documents: { id: string; text: string }[];
}) {
  // 调用重排序模型API
  return POST<PostReRankResponse>(
    model.requestUrl,
    {
      model: model.model,
      query,
      documents: documents.map((doc) => doc.text)
    }
  ).then((data) => {
    // 返回重排序后的结果和相关性分数
    return data?.results?.map((item) => ({
      id: documents[item.index].id,
      score: item.relevance_score  // 0-1之间的相关性分数
    }));
  });
}

3. 重排序的主要特点

• 使用专门的重排序模型对搜索结果进行二次评分
• 得到 0-1 之间的相关性分数，比向量相似度更精确
• 可以根据重排分数进行过滤，提高精度
• 重排结果会与其他搜索结果一起通过 RRF 合并

4. 整个搜索流程

1. 同时进行向量检索和全文检索
2. 对检索结果进行重排序评分
3. 使用 RRF 合并三种结果(向量检索、全文检索、重排序)
4. 根据相关度分数进行过滤
5. 返回最终结果

5. 这种方式的优势

• 综合多种检索方式的优势
• 通过重排序提高精度
• 使用 RRF 合理合并多个渠道的结果