深圳装修公司排名前十口碑推荐_万能短视频素材库免费_常用于网站推广的营销手段是_买外链有用吗

FastGPT 源码：混合检索调用链路

主要调用链路如下：

1. 入口函数

在 dispatchDatasetSearch（packages/service/core/workflow/dispatch/dataset/search.ts）:

export async function dispatchDatasetSearch(props: DatasetSearchProps) {// 1. 获取参数const {teamId,histories,module,params: {datasets,similarity,limit,usingReRank,searchMode,userChatInput}} = props;// 2. 问题优化/扩展const { concatQueries, rewriteQuery } = await datasetSearchQueryExtension({query: userChatInput,extensionModel,extensionBg,histories});// 3. 调用核心搜索函数const { searchRes } = await searchDatasetData({teamId,reRankQuery: rewriteQuery,queries: concatQueries,model: vectorModel.model,similarity,limit,datasetIds: datasets.map((item) => item.datasetId),searchMode,usingReRank});
}

2. 核心搜索函数

searchDatasetData（packages/service/core/dataset/search/controller.ts）:

export async function searchDatasetData({teamId,reRankQuery,queries,model,similarity,limit,searchMode,usingReRank,datasetIds
}) {// 1. 向量检索和全文检索const { embeddingRecallResults, fullTextRecallResults } = await multiQueryRecall({embeddingLimit,fullTextLimit});// 2. 第一次RRF合并(向量检索和全文检索结果)const concatRecallResults = embeddingRecallResults.concat(fullTextRecallResults.filter((item) => !set.has(item.id)));// 3. Rerank二次排序const reRankResults = await reRankSearchResult({query: reRankQuery,data: concatRecallResults });// 4. 最终RRF合并(三种结果)const rrfConcatResults = datasetSearchResultConcat([{ k: 60, list: embeddingRecallResults },{ k: 60, list: fullTextRecallResults },{ k: 58, list: reRankResults }]);// 5. 结果过滤和处理const scoreFilter = filterResults(rrfConcatResults);return { searchRes: filterResultsByMaxTokens(scoreFilter, maxTokens) };
}

3. RRF合并函数

datasetSearchResultConcat（packages/global/core/dataset/search/utils.ts）:

export const datasetSearchResultConcat = (arr: { k: number; list: SearchDataResponseItemType[] }[]) => {// 1. 计算每个结果的RRF分数arr.forEach((item) => {const k = item.k;item.list.forEach((data, index) => {const rank = index + 1;const score = 1 / (k + rank);// 合并分数...});});// 2. 根据RRF分数排序return results.sort((a, b) => b.rrfScore - a.rrfScore);
}

4. Rerank重排序函数

reRankRecall（packages/service/core/ai/rerank/index.ts）:

export function reRankRecall({query, documents}) {// 调用重排序模型APIreturn POST(model.requestUrl, {model: model.model,query,documents: documents.map((doc) => doc.text)}).then(data => {// 返回重排序结果和分数return data?.results?.map(item => ({id: documents[item.index].id,score: item.relevance_score}));});
}

5. 完整流程

1. dispatchDatasetSearch 作为入口,接收搜索参数
2. 调用 searchDatasetData 执行核心搜索逻辑
3. 在 searchDatasetData 中:
   • 先执行向量检索和全文检索
   • 合并这两种检索结果
   • 调用 reRankRecall 进行重排序
   • 最后通过 datasetSearchResultConcat 合并所有结果
4. 返回最终过滤和处理后的搜索结果

---

这个调用链路完整实现了:

• Embedding 和 BM25 检索
• 结果合并后的 Rerank
• 最终三路结果的 RRF 合并