Busca híbrida
A busca híbrida (hybrid search) faz uma busca por palavras-chave e uma busca vetorial na mesma consulta e mescla as duas listas ordenadas, para que os resultados possam corresponder tanto às palavras exatas quanto ao significado.
Também chamado: hybrid retrieval
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
A busca vetorial é boa com paráfrases e fraca com identificadores exatos. A busca por palavras-chave com BM25 é o contrário: encontra um código de erro exato, mas não acha "o app trava no login" quando o documento diz "falha de autenticação". A busca híbrida roda as duas e as combina, o que geralmente cobre mais das consultas que os usuários reais digitam.
Como as listas são mescladas
As duas buscas produzem pontuações em escalas diferentes, então não dá para simplesmente somá-las. Dois métodos são comuns. A reciprocal rank fusion (RRF) ignora as pontuações brutas e recompensa documentos que aparecem bem colocados em qualquer uma das listas; ela não precisa de ajuste. A fusão ponderada de pontuações normaliza as pontuações de cada lista e as mistura com um peso, muitas vezes chamado de alpha, que define quanto cada lado conta.
Exemplo
Um site de documentação para desenvolvedores recebe uma consulta que cita um código de status HTTP específico e a palavra "retry". O BM25 encontra páginas com aquele código exato. A busca vetorial encontra uma página sobre estratégias de backoff que nunca o menciona. A fusão coloca as duas perto do topo.
Onde ela se encaixa
A busca híbrida é uma primeira etapa. As equipes muitas vezes mandam seus melhores resultados para um modelo de reranking para uma ordenação final antes de passá-los a um prompt de geração aumentada por recuperação. Muitos bancos de dados vetoriais, como o Weaviate, a suportam diretamente. A recuperação esparsa aprendida pode substituir o BM25 no lado das palavras-chave.
Termos relacionados
- BM25
- O BM25 é uma fórmula de ranqueamento para busca por palavras-chave. Ele pontua cada documento pela frequência com que as palavras da consulta aparecem nele, dando mais peso a palavras raras e menos crédito a documentos longos e termos repetidos.
- Busca vetorial
- A busca vetorial (vector search) encontra itens comparando seus embeddings com o embedding de uma consulta e devolvendo os mais próximos, para que os resultados correspondam pelo significado e não por palavras-chave em comum.
- Reranking
- Reranking (reordenação) é uma segunda etapa de busca que pega uma lista curta de documentos candidatos e os reordena por relevância para a consulta, usando um modelo mais preciso, porém mais lento, que o da primeira busca.
- Recuperação esparsa
- A recuperação esparsa (sparse retrieval) representa consultas e documentos como vetores sobre um vocabulário em que a maioria das entradas é zero e cada entrada diferente de zero é o peso de uma palavra, para que a busca use índices invertidos rápidos como na busca por palavra-chave.
- Retrieval-augmented generation
- Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.