Jun 18, 2026, 11:56 AM

brain/knowledge/concepts/hybrid-search.md

@@ -0,0 +1,27 @@
+---
+title: "Hybrid Search (Wyszukiwanie Hybrydowe)"
+type: "concept"
+tags: [retrieval, search-systems, database, vector-embeddings]
+created: 2026-06-18
+updated: 2026-06-18
+sources: ["[[summaries/gbrain-long-term-memory]]"]
+confidence: high
+---
+
+# Hybrid Search (Wyszukiwanie Hybrydowe)
+
+## Definition
+Zaawansowana strategia pobierania informacji (Retrieval), polegająca na jednoczesnym przeszukiwaniu bazy danych za pomocą dopasowania semantycznego (wyszukiwanie wektorowe/Dense Retrieval) oraz tradycyjnego dopasowania słów kluczowych (wyszukiwanie tekstowe/Sparse Retrieval, np. BM25/ripgrep), a następnie scaleniu i zreparametryzowaniu wyników w jeden zoptymalizowany ranking.
+
+## How It Works
+Wyszukiwanie hybrydowe łączy mocne strony dwóch odmiennych podejść:
+1. **Wyszukiwanie Wektorowe (np. pgvector)**: Rozumie kontekst i synonimy (np. zapytanie o "bazy danych" zwróci wyniki zawierające "PostgreSQL" lub "SQL Server", nawet jeśli słowo "baza" tam nie występuje). Jednak gubi się przy dokładnych dopasowaniach nazw własnych, unikalnych kodów, symboli czy numerów wersji.
+2. **Wyszukiwanie Słów Kluczowych (np. BM25)**: Doskonale radzi sobie z precyzyjnymi identyfikatorami (np. wyszukanie "0.7.0" lub specyficznego nazwiska), ale całkowicie ignoruje znaczenie pojęciowe słów.
+
+Po wykonaniu obu zapytań system stosuje algorytm fuzji (np. *Reciprocal Rank Fusion - RRF*), aby wygenerować ostateczną listę najbardziej trafnych wyników.
+
+## Performance Benchmark
+Zastosowanie wyszukiwania hybrydowego w rzeczywistych testach (np. w benchmarku *LongMemEval* systemu GBrain) pozwala osiągnąć dokładność **R@5 = 97,9%**, co oznacza, że poszukiwany fragment wiedzy znajduje się w pierwszej piątce wyników w niemal 98% przypadków. Przewyższa to czyste wyszukiwanie wektorowe stosowane w większości tradycyjnych potoków RAG.
+
+## Sources
+- [[summaries/gbrain-long-term-memory]]