星环科技分布式向量数据库Transwarp Hippo自发布已来，受到了众多用户的欢迎，帮助用户实现向量数据的存储、管理和检索，探索和实践大模型场景。

Transwarp Hippo支持存储、索引以及管理海量的向量式数据集，具备高可用、高性能、易拓展等特点，能够高效地解决向量相似度检索、高密度向量聚类等问题，满足文本/语音/图像/视频检索、个性化推荐、智能问答等场景。同时，Hippo可扩展大模型的时间与空间边界，联合星环分布式图数据库、知识图谱，帮助用户高效、低成本地构建行业领域的大模型应用，激发出更多更深入的业务场景。

本文将主要介绍Hippo的混合检索特性，即一套系统支持向量与全文联合检索，提高文本数据的召回精度，从而提升大语言模型应用的准确率。

一库搞定向量+全文联合检索｜提升大模型准确率

在大语言模型应用中，向量数据库作为中间载体，可以有效地解决大模型在知识时效性低、输入能力有限、准确度低等问题，赋予大模型拥有“长期记忆”。因此， 向量数据库的召回精度直接影响大模型输出结果的准确率。

然而，在一些实践场景中， 对于向量数据库本身而言，单一使用向量检索会产生召回准确率不高的问题：

• 对噪声和冗余信息敏感：若向量数据库中存在大量的噪声和冗余信息，则检索的准确率会降低；
• 对特征选择的依赖：在向量检索中，需要对数据进行特征提取和选择，若特征选择不当，则会影响检索的准确性；
• 对查询语义理解的局限性：当查询语义比较复杂或模糊时，向量检索无法准确理解用户的意图，导致准确率降低；

此外，像一些特殊情况，如所检索内容未构建特征或特征比重较小时，会导致准确率降低，甚至无召回结果。针对文本搜索场景，全文检索更适合做关键字匹配，可以避免检索内容低频的问题。而向量检索则能找出字面上不同但语义上相近的内容。

通过将向量检索和全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文检索更高的精度。

此外，向量数据与全文数据在存储、计算上有很大的差别， 单一的数据库架构很难同时高效支持这两种场景。例如，对于公开数据集如ANN Benchmark，Elasticsearch的性能远落后于专业的向量数据库。星环科技向量数据库Hippo底层使用自研的分布式数据管理系统TDDMS，能够支持向量数据和全文数据统一存储管理。

一套数据库系统即可支持向量与全文数据联合检索召回，避免了部署多套系统带来的架构复杂、开发运维成本高等问题。同时，Hippo提供兼容Elasticsearch协议的SDK支持，方便用户更便捷地使用向量数据库。

例如，当查询“A公司业务发展情况”时，通过向量检索可以检索出A公司“主要业务”、“经营模式”、“财务情况”、“市场地位”等信息， 通过全文检索可以检索出知识库中和关键字“业务”、“发展”相关的结果作为补充。

通过将两者检索的结果进行结合，可以使得大模型回答的结果更加丰满和准确。当查询“A公司产品经理B的履历”时，若该产品经理B在知识库中出现的频率较低或未构建特征时， 单一使用向量检索召回的结果可能主要是A公司介绍。而通过全文检索则会检索出产品经理B相关的内容，通过向量+全文的联合检索召回，使得大模型能够准确地给出答案。