vstash：面向大语言模型智能体的自适应融合本地优先混合检索

我们提出了 vstash，一个本地优先的文档记忆系统，它通过倒数秩融合（RRF）和自适应逐查询 IDF 加权，结合了向量相似性搜索与全文关键词匹配。所有数据都驻留在一个单一的 SQLite 文件中，使用 sqlite-vec 进行近似最近邻搜索，并使用 FTS5 进行关键词匹配。我们做出了四项主要贡献。（1）通过混合检索分歧进行自监督嵌入精炼：在 SciFact、NFCorpus 和 FiQA 上的 753 个 BEIR 查询中，74.5% 的查询在向量为主（vec=0.95, fts=0.05）和 FTS 为主（vec=0.05, fts=0.95）的搜索之间产生了 top-10 分歧（各数据集比率分别为 63.4% / 73.4% / 86.7%，第 5.2 节），这提供了一个无需人工标签的免费训练信号。使用 MultipleNegativesRankingLoss 在 76K 个分歧三元组上微调 BGE-small（33M 参数），在所有 5 个 BEIR 数据集上提高了 NDCG@10（与 BGE-small 基础 RRF 相比，在 NFCorpus 上最高提升 +19.5%，表 6）。在 5 个数据集中的 3 个上，在不同预处理下，微调后的 33M 参数流程匹配或超过了已发布的 ColBERTv2 结果（110M 参数）和未训练的 BGE-base（110M）；在 FiQA 和 ArguAna 上，其性能低于 ColBERTv2（第 5.5 节）。（2）与固定权重相比，具有自适应查询 IDF 加权的自适应 RRF 在所有 5 个 BEIR 数据集上提高了 NDCG@10（在 ArguAna 上最高达 +21.4%），使用 BGE-small 在 SciFact 上达到 0.7263。（3）关于 RRF 后评分的负面结果：频率+衰减、历史增强召回和交叉编码器重排序均未能提高 NDCG。（4）一个生产级基础，具有完整性检查、模式版本控制、排序诊断以及一个在 5 个 BEIR 数据集的 50,425 个相关性判断查询上验证过的基于距离的相关性信号。在 50K 块时，搜索延迟中位数保持在 20.9 毫秒，且 NDCG 稳定。微调后的模型以 `Stffens/bge-small-rrf-v2` 之名发布在 HuggingFace 上。所有代码、数据和实验均为开源。