Como Melhorar Resultados de Busca com Estratégias Avançadas

Estas estratégias complementam a busca vetorial básica. Use-as após confirmar que o modelo de embedding se ajusta à tarefa e a configuração do HNSW está correta. Se a busca exata retornar resultados ruins, verifique primeiro a seleção do modelo de embedding (retriever). Se o usuário quiser usar um modelo de embedding mais fraco por ser pequeno, rápido e barato, use reclassificação (reranking) ou feedback de relevância para melhorar a qualidade da busca.

Correspondências de Palavras-Chave Óbvias Ausentes

Use quando: a busca vetorial pura perde resultados que contêm correspondências de palavras-chave óbvias. Terminologia de domínio não presente nos dados de treinamento do embedding, correspondência exata de palavras-chave crítica (nomes de marca, SKUs), acrônimos comuns. Pule quando: consultas puramente semânticas, todos os dados no conjunto de treinamento, orçamento de latência muito apertado.

• Densos + esparsos com prefetch e fusão Busca Híbrida
• Prefira esparsos aprendidos (miniCOIL, SPLADE, GTE) em vez de BM25 bruto, se aplicável (quando o usuário precisa de correspondência inteligente de palavras-chave e modelos esparsos aprendidos conhecem o vocabulário do domínio)
• Para idiomas não ingleses, configure os parâmetros do BM25 esparso de acordo
• RRF: bom padrão, suporta ponderado (v1.17+) RRF
• DBSF com limites assimétricos (sparse_limit=250, dense_limit=100) pode superar o RRF para documentos técnicos DBSF
• A fusão também pode ser feita através de reclassificação

Documentos Certos Encontrados Mas na Ordem Errada

Use quando: bom recall, mas baixa precisão (documentos certos nos top-100, não nos top-10).

• Reclassificadores Cross-encoder via FastEmbed Reclassificadores
• Veja como usar Consultas Multi-estágio no Qdrant
• A reclassificação ColBERT e ColPali/ColQwen é especialmente precisa devido aos mecanismos de interação tardia, mas é pesada. É importante configurar e armazenar multivetores sem construir HNSW para eles para economizar recursos. Veja Representação Multivetorial

Documentos Certos Não Encontrados Mas Eles Existem

Use quando: a recuperação básica está implementada, mas o retriever perde itens relevantes que você sabe que existem no conjunto de dados. Funciona em qualquer dado que possa ser transformado em embedding (texto, imagens, etc.).

A Consulta de Feedback de Relevância (RF) usa as pontuações de um modelo de feedback em resultados recuperados para direcionar o retriever através do espaço vetorial completo em iterações subsequentes, como reclassificar toda a coleção através do retriever. Complementar à reclassificação: um reclassificador vê um subconjunto limitado, RF aproveita sinais de feedback em toda a coleção. Mesmo 3–5 pontuações de feedback são suficientes. Pode executar múltiplas iterações.

Um modelo de feedback é qualquer coisa que produza uma pontuação de relevância por documento: um bi-encoder, cross-encoder, modelo de interação tardia, LLM-como-juiz. Pontuações de relevância imprecisas funcionam, não apenas binárias (bom/ruim, relevante/irrelevante), devido ao fato de que o feedback é expresso como uma pontuação de relevância graduada (quanto maior = mais relevante).

Pule quando: se o retriever já tem um recall forte, ou se o retriever e o modelo de feedback concordam fortemente sobre a relevância.

• A Consulta RF é atualmente baseada em uma fórmula ingênua de 3 parâmetros sem padrões universais, portanto, deve ser ajustada por conjunto de dados, retriever e modelo de feedback
• Use qdrant-relevance-feedback para ajustar parâmetros, avaliar o impacto com o Evaluator e verificar a concordância entre retriever e feedback. Veja o README para instruções de configuração. Nenhuma GPU é necessária, e o framework também fornece opções predefinidas de retriever e modelo de feedback.
• Verifique a configuração da API de Consulta de Feedback de Relevância

…