RAG与LLM原理及实践（12）--- Milvus RRFRanker的使用场景及源码分析

目录

背景

rrfRanker 简介与实例

核心逻辑

实例

蕴含思想

rrfRanker VS  weightedRanker

rrfRanker

weightedRanker

场景使用区别

RRFRanker 使用场景

weightedRanker 使用场景

代码

代码实现

运行结果

修改代码

再次运行结果

源码

源码实现

解释

Ranker 可扩展实现

---

背景

本专栏虽focus在向量数据库及RAG，但是其编程理念和思想，如果你完全渗透，可以用到很多其他领域，比如实时推荐系统设计，分布式系统设计等。设计理念和编程思想我认为是搞编程首先需要领悟的，当然动手能力也很重要。二者结合，才能所向披靡，和大学讲的唯物主义辩证法差不多，以前觉得拿东西没啥用，想在细品，其思想精髓其实蛮深的。开始今天的主题吧。Milvus hybrid search 中，除了之前给出的weightedRanker进行多seq 排序，另外还有一种rrfRanker的综合排序手段。其实，你如果没有使用Milvus2.4.x 版本，如果你深入理解他的实现原理，照样可以在客户端封装函数实现这一过程。今天主要讲下 rrfRank的使用场景及方式，以及源码的实现方式。最后写下，实际上在 server端，你可以对 baseRanker 进行扩展，实现自己特殊的综合排序机制。当然milvus 在设计时，已经考虑了这点，在server 端留有充分的可扩展性，同时基于现在已有的weightedRanker 与 rrfRanker，实际上已经满足绝大部分落地需求。我将从实现的核心思想，使用，源码，及源码扩展方面进行讲解与说明。

rrfRanker 简介与实例

核心逻辑

RRF（Ranked Retrieval Fu