---

title: "不是关键词匹配：语义搜索怎么理解你的内容" date: 2026-09-17 tags: [语义搜索, 向量检索, FTS5, RRF, AI能力] category: AI能力 description: "传统搜索按关键词匹配，爱库录的搜索理解你的意思。FTS5 + 向量余弦 + RRF 融合，真正基于内容理解的站内搜索。"

不是关键词匹配：语义搜索怎么理解你的内容

试过在自己的博客里搜东西吗？

用 WordPress，搜「容器化部署」，如果文章标题和正文里没有「容器化部署」这四个字，就搜不到。即使那篇文章讲的就是 Docker 部署。

关键词匹配的根本问题：它找的是「字」，不是「意思」。

传统搜索的局限

用户搜索：怎么让博客上线
期望结果：那篇讲 Nginx 反代配置的文章
实际结果：无匹配（文章里没有「博客上线」这几个字）

用户搜索：容器化部署
期望结果：Docker 多阶段构建实战
实际结果：无匹配（文章用的是「Docker」不是「容器化」）

用户要换好几次关键词才能找到想要的内容。这不是搜索，是猜谜。

爱库录的三通道融合

爱库录的搜索不是单一引擎，而是三个通道的结果融合：

通道一：FTS5 全文索引

SQLite 内置的全文搜索引擎。对文章内容做分词，建立倒排索引。

擅长： 精确匹配关键词、短语搜索、布尔组合。

搜索：Go 并发 errgroup
FTS5 结果：包含这三个词的文章，按相关性排序

通道二：向量语义检索

把查询和文章都转成向量（embedding），计算余弦相似度。

擅长： 理解语义、跨语言、同义词。

搜索：怎么让博客上线
向量结果：找到语义相近的文章，即使没有完全匹配的关键词

通道三：RRF 融合排序

RRF（Reciprocal Rank Fusion）把两个通道的结果合并成一个统一排名。

FTS5 排名：文章A(#1), 文章B(#3), 文章C(#5)
向量排名：文章B(#1), 文章A(#2), 文章D(#4)

RRF 融合：文章A(最高), 文章B(次高), 文章C, 文章D

两个通道互相补充。 FTS5 确保精确匹配不丢，向量确保语义相近的不漏。

实际效果演示

场景一：用自然语言找文章

搜索：「那篇讲目录结构怎么变成网站的」
→ 找到：拖个文件进目录，就是发布了一篇博客

文章里没有「目录结构怎么变成网站」这句话，但向量检索理解了你的意思。

场景二：同义词

搜索：容器化
→ 找到：Docker 多阶段构建实战

「容器化」和「Docker」在向量空间里距离很近。

场景三：跨文章召回

搜索：「数据备份怎么做」
→ 找到：
  1. 13MB 单二进制部署（提到备份策略）
  2. 这个博客是怎么搭的（提到 rsync 备份）
  3. 数据永远在自己手里（专门讲数据主权）

不是找一篇文章，是把所有相关内容都找出来。

Agent 侧再 rerank

在 Agent 工具链场景下，搜索结果还会经过 reranker 二次排序。

reranker 不是看「查询和文章各有多长的向量」，而是真正「阅读」查询和文章的内容，给出更精确的相关性分数。

原始查询：我写过哪些关于部署的内容
向量检索：返回 10 篇可能相关的文章
reranker：逐篇阅读，筛选出最相关的 3 篇

搜索不是一步到位，是层层筛选。

为什么这很重要

站内搜索是博客的基础设施。搜索不好用，知识库就是死的——存进去找不到，等于没存。

传统关键词搜索的体验是：记得关键词 → 能找到。不记得 → 找不到。

语义搜索的体验是：用大白话描述你要找的东西 → 找到。

从「猜关键词」到「说意思」，这是本质的区别。

---

了解更多：[[文章入库，AI 自动帮你摘要、打标签、建图谱]] — 看看入库时做了哪些预处理。