在 RAG 和智能体系统中，向量搜索是默认检索层。但……
TL;DR · AI 摘要
纯向量相似性不足以满足业务需求。Milvus Boost Ranker 通过元数据规则动态调整排序，让正确结果优先呈现。
核心要点
- 纯向量搜索可能返回语义匹配但业务无效的结果，如缺货商品或非官方文档。
- Milvus Boost Ranker基于元数据规则动态调整候选结果得分，而非过滤或重建模型。
- 该机制作用于已检索出的候选集，延迟极低，保留可发现性，实现语义与业务逻辑的分层协同。
结构提纲
按章节快速跳转。
相似性匹配不足以满足业务需求，常返回无效结果。
硬过滤丢失信息，自定义重排序增加复杂性与延迟。
基于元数据规则动态调整候选结果得分，实现精准排序。
仅作用于已检索候选，低延迟，不删除结果，支持意图驱动重排序。
确保官方文档、有库存商品和时效内容优先展示。
在保持语义搜索基础上叠加业务上下文，提升检索实用性。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- Milvus Boost Ranker
- 问题背景
- 向量搜索局限
- 业务需求不满足
- 解决方案
- 元数据规则调权
- 动态重排序
- 核心优势
- 低延迟
- 保留可发现性
- 分层架构
金句 / Highlights
值得收藏与分享的关键句。
纯向量搜索会失败：产品语义匹配却缺货，答案嵌入得分高却是社区帖子。
Milvus Boost Ranker 不是过滤，而是带有意图的重排序。
它只作用于已检索的候选集，延迟开销可忽略不计。
降权结果仍可被找到，只是排序靠后，保障了内容可发现性。
语义搜索仍是基础，业务上下文叠加其上，形成分层检索架构。
Boost where is_official == true, demote where stock < 10.
帖子
对话
在 RAG 流程和智能体系统中，向量搜索是默认的检索层。但仅靠相似性并不总能满足你业务的实际需求。Milvus Boost Ranker 让你可以在其上叠加业务规则，确保最合适的而非仅仅是最近似的结果优先呈现。纯向量搜索在这些场景中会力不从心：某个商品可能是语义上最接近的匹配项，但却已缺货；某个答案在嵌入向量上得分最高，却可能来自社区帖子而非你的官方文档；某段内容可能高度相关，但却是三年前的旧资料。这正是大多数团队遇到瓶颈的地方。常见的变通方法都很粗糙：硬性过滤掉不需要的结果（这会移除潜在有用的内容），或在搜索之上构建自定义重排序逻辑（这会增加复杂性和延迟）。Milvus Boost Ranker 提供了更精确的解决方案。它不会过滤结果或替换排序模型，而是利用元数据规则调整分数——例如提升 is_official == true 的结果，降低 stock < 10 的结果排名。语义搜索仍作为基础，业务上下文则在其上叠加。关键细节在于：它只作用于已检索出的候选结果，而非整个数据集。因此带来的延迟开销几乎可以忽略。被降权的结果并不会被删除——仍然可以被找到。这不是过滤，而是有目的地重新排序。点击此处阅读完整解析：milvus.io/blog/milvus-bo
