先这样答
字面检索的底层原理是基于词袋模型统计词频与逆文档频率，BM25 是目前工业界字面检索通道的标准实现。相比于基础的 TF-IDF 模型，BM25 主要解决了两个问题：词频随出现次数线性增长导致的权重失衡，以及长文档因词汇量大带来的天然得分优势。
具体来说，BM25 做了三处核心优化。第一是引入词频饱和机制。在 TF-IDF 中，一个词出现十次的文档权重是出现一次的十倍，容易被恶意灌水干扰；BM25 让词频进入亚线性函数——词频越高权重增长越缓慢并最终封顶，饱和速度由超参 k1 控制。第二是加入文档长度归一化。BM25 将当前文档长度与语料库平均长度进行对比，用比值来惩罚长文档，使得长短文档的得分具有可比性，惩罚强度由超参 b 控制。第三是改进了 IDF 的计算公式，使其更加平滑，防止在特定极端词频下出现负值。
在 RAG 架构中，字面检索通常依托 Elasticsearch 或 OpenSearch 等搜索引擎内核，主要负责抓取精确命中，比如专有名词、编号、缩写或错字纠正后的关键词。对于中文场景，BM25 检索前必须先进行分词或使用二元组，分词质量直接决定了该通道的上限，同义词扩展通常也在这层完成。
总结来说，在面试官面前可以这样收束：BM25 本质上就是 TF-IDF 加上词频饱和与长度归一化，通过 k1 和 b 两个旋钮调节。在混合检索中，它与向量语义召回形成互补，最后两路结果常使用 RRF 算法进行融合。
面试官会怎么追问
-
「在实际业务里，BM25 的 k1 和 b 参数通常怎么调？」 k1 控制词频饱和速度，如果业务场景中文本较短且关键词出现一次就足够说明相关性，可以调低 k1。b 控制对长文档的惩罚力度，如果语料库中文档长度差异很大且长文档往往包含较多冗余信息，需要调高 b 值增加惩罚。默认值通常能覆盖多数场景，调参需要结合具体的检索评测集来做。
-
「既然有了向量检索，为什么 RAG 还需要保留 BM25 字面检索？」 向量检索擅长捕捉上下文语义和泛化表达，但对精确的实体、产品编号或特定的缩写不够敏感。字面检索通过精确匹配能兜底这些硬性条件，防止事实性偏离。两路召回结果互补，后续通过 RRF 等排名融合算法重新计算得分，能提供更稳定的检索质量。
-
「中文场景下使用 BM25 检索，遇到召回效果不好，通常排查什么问题？」 首先检查分词器的切分粒度，分词过细会导致词义破碎，过粗会导致匹配召回率下降。其次排查同义词表是否完善，因为字面检索无法理解语义，同义词扩展需要在这一层补全。最后确认是否混用了繁简体或全半角字符，这会导致原本相同的词汇无法命中。
回答的坑
- 误以为 BM25 是一种深度学习或词向量模型，应该明确指出它是基于词法统计的传统检索算法，不具备语义理解能力。
- 答题时只罗列了 TF 和 IDF 的概念却漏掉超参数的作用，必须准确点出 k1 控制词频饱和、b 控制长度归一化这两个核心机制。
同系列的题