Hybrid Search：RAG查詢的進化之路
最近我一直在研究如何改善RAG系統的查詢精確度，所以測試了結合Hybrid Search的向量資料庫查詢流程。這主要是想解決我自己在用傳統RAG時常遇到的問題：明明有資料，但問答就是不準確，特別是在查精確數字或專業術語時。
傳統RAG的痛點
說真的，純靠語意向量化的RAG系統常讓我遇到牛頭不對馬嘴的情況。舉例來說，當我查詢「Amazon 2025 Q1股數」這類精確問題時，系統經常給出不相關或錯誤的資訊。
我之前試過加入上下文機制，讓模型了解每個文件碎片在整篇文件中的位置和意義，錯誤率確實下降了35%，但還是不夠理想——數字還是會跑掉，專有名詞還是容易混淆。
Hybrid Search的運作方式
Hybrid Search就像是同時開了兩個搜尋引擎：一個負責理解你的意思（語意分析），另一個專找關鍵字（全文檢索）。測試下來，它比純語義搜尋的精準度高出許多，我實測錯誤率又降低了22%。
最實用的是它會給每個文件片段一個加權分數，你可以自己調整語意和關鍵字的權重。我自己在查詢財報或專業文獻時，這個功能簡直救了我。
實作細節
在Supabase上設置時，需要多建立一個FTS（全文檢索）欄位並設置兩種索引。雖然前期設置要花點時間，但後續查詢的速度和品質明顯改善，我感覺快了50%到100%。
我個人覺得非常好用的是metadata filter功能，它就像幫資料庫設置了「文件夾」，讓你查詢時能針對特定文件類型或標籤做篩選。當你的知識庫資料量變大時，這功能會變得更加重要。
利用edge function產生API後，我直接用n8n來呼叫，整個RAG查詢流程就能輕鬆整合到自動化工作流中，不用再寫一堆複雜語法。
調整與效果
我自己調的權重是語意和全文檢索1:1平衡。這個設定挺通用的，因為太偏重關鍵字反而會失去彈性，畢竟很多專有名詞會有不同說法。
實測發現Hybrid Search在捕捉關鍵字方面表現特別出色。查詢像「Amazon 2025 Q1股數」這種精確問題時，回答變得更細膩準確，不再像以前那樣常常答非所問。
效果與未來
實際使用後，我的查詢錯誤率從原本的5.7%降到了2.9%。未來如果再導入rerank技術，預計可以進一步降到1.9%左右。對於每天都在使用RAG系統的人來說，這是個相當實質的提升。
Hybrid Search讓查詢結果更能理解問題的細節，也大幅減少找錯資料的情況。對需要精確數字和專業詞彙的場景，這真的是個重要突破。
分享與心得
我把所有的腳本和n8n模板都放在社群中分享了，希望大家不用從零開始設定，可以直接採用這些最佳實踐快速上手，省下不少摸索時間。
整體來說，這套流程不只提高了準確率，還大幅提升了查詢速度和穩定性。用了一段時間後，我真的感覺我的知識庫變得更可靠了，第二大腦終於能夠真正依賴了。
實用建議
如果你經常需要查詢財報數據、法律文件或其他需要高精確度的專業資料，Hybrid Search絕對值得你花時間設置。雖然前期設定比較繁瑣，但這點時間投資會在日後的每次查詢中回報給你。下次遇到RAG查詢不準確的問題，你就知道該怎麼升級系統了！
—–
