vstash：LLM 代理的本地优先混合检索与自适应融合

我们提出了 **vstash**，这是一种本地优先的文档存储系统，它通过倒数秩融合 (RRF) 和自适应每个查询 IDF 加权将向量相似性搜索与全文关键字匹配相结合。所有数据都驻留在单个 SQLite 文件中，使用 sqlite-vec 进行近似最近邻搜索，并使用 FTS5 进行关键字匹配。我们做出了四项主要贡献。 **(1)** 通过混合检索不一致进行自监督嵌入细化：在 SciFact、NFCorpus 和 FiQA 上的 753 个 BEIR 查询中，74.5% 在向量重 (vec=0.95, fts=0.05) 和 FTS 重 (vec=0.05, fts=0.95) 搜索（每个数据集速率）之间产生前 10 名不一致63.4% / 73.4% / 86.7%，第 5.2 节），提供无人工标签的免费训练信号。 微调 BGE-small（33M 参数）在 76K 不一致三元组上具有 MultipleNegativesRankingLoss，改进了所有 5 个 BEIR 数据集上的 NDCG@10（与 BGE-small 基本 RRF 相比，NFCorpus 上高达 +19.5%，表 6）。在 5 个数据集中的 3 个上，在不同的预处理下，调整后的 33M 参数管道匹配或超过已发布的 ColBERTv2 结果（110M 参数）和未经训练的 BGE 基础（110M）；在 FiQA 和 ArguAna 上，它的表现低于 ColBERTv2（第 5.5 节）。 **(2)** 具有每个查询 IDF 权重的自适应 RRF 与固定权重相比，在所有 5 个 BEIR 数据集上改进了 NDCG@10（在 ArguAna 上高达 +21.4%），在具有 BGE-small 的 SciFact 上实现了 0.7263。 **(3)** RRF 后评分的负面结果：频率+衰减、历史增强召回和跨编码器重新排名都未能改善 NDCG。 **(4)** 生产级基质，具有完整性检查、模式版本控制、排名诊断和基于距离的相关性信号，并在 5 个 BEIR 数据集的 50,425 个相关性判断查询上进行验证。在具有稳定 NDCG 的 50K 块下，搜索延迟中值仍为 20.9 毫秒。微调后的模型在 HuggingFace 上发布为“Stffens/bge-small-rrf-v2”。所有代码、数据和实验都是开源的。