ailine/backend/app/rag/fusion.py

# rag/fusion.py

import logging
from typing import List, Dict
from langchain_core.documents import Document

logger = logging.getLogger(__name__)

def reciprocal_rank_fusion(
    doc_lists: List[List[Document]],
    k: int = 60
) -> List[Document]:
    """
    对多个检索结果列表进行 RRF 融合。
    
    Args:
        doc_lists: 多个检索结果列表，每个列表来自一个查询
        k: RRF 常数，通常设为 60
    
    Returns:
        融合后按 RRF 得分降序排列的文档列表
    """
    logger.info(f"[RRF] reciprocal_rank_fusion 开始: {len(doc_lists)} 组文档")
    # 使用文档内容作为唯一标识（如果内容相同但 metadata 不同，视为同一文档）
    # 更好的做法是用 docstore 的 ID，这里简化处理：用内容 hash
    doc_to_score: Dict[str, float] = {}
    doc_map: Dict[str, Document] = {}
    
    for list_idx, docs in enumerate(doc_lists):
        logger.info(f"[RRF] 处理第 {list_idx} 组: {len(docs)} 个文档")
        for rank, doc in enumerate(docs, start=1):
            # 生成唯一标识符（内容+来源组合，避免不同文件相同内容混淆）
            doc_id = f"{doc.page_content[:200]}_{doc.metadata.get('source', '')}"
            if doc_id not in doc_map:
                doc_map[doc_id] = doc
            score = doc_to_score.get(doc_id, 0.0) + 1.0 / (k + rank)
            doc_to_score[doc_id] = score
    
    logger.info(f"[RRF] 去重后共 {len(doc_map)} 个唯一文档")
    # 按得分排序
    sorted_ids = sorted(doc_to_score.keys(), key=lambda x: doc_to_score[x], reverse=True)
    result = [doc_map[doc_id] for doc_id in sorted_ids]
    logger.info(f"[RRF] reciprocal_rank_fusion 结束: 返回 {len(result)} 个文档")
    return result