🚀 完全实现 Qdrant 混合检索功能

- 不需要兼容，完全重写为混合检索
- 检索器：强制使用 FastEmbedSparse + RetrievalMode.HYBRID
- 索引器：强制启用稀疏向量，混合检索模式
- 添加 fastembed 依赖到 requirements.txt
- 语法检查通过

backend/app/rag/retriever.py

@@ -1,17 +1,16 @@
 """
 Qdrant 向量检索器模块
 
-提供基于 Qdrant 的基础向量检索和混合检索（Dense + Sparse）功能。
+提供基于 Qdrant 的混合检索（Dense + Sparse）功能。
 
 核心原理：
-- 使用 langchain-qdrant 的 RetrievalMode
-- Qdrant 原生混合检索（如果集合已配置 sparse_vectors）
-- 如果集合未配置，优雅回退到纯稠密检索
-- 完全兼容现有代码，无接口改动
+- 使用 Qdrant 原生混合检索（langchain-qdrant 的 RetrievalMode.HYBRID）
+- 同时存储稠密向量和稀疏向量
+- 语义理解 + 关键词匹配，效果最优
 
 使用示例：
     >>> from app.rag.retriever import create_hybrid_retriever
-    >>> retriever = create_hybrid_retriever(collection_name="my_docs")
+    >>> retriever = create_hybrid_retriever(collection_name="rag_documents")
     >>> docs = retriever.invoke("什么是 RAG？")
 """
 
@@ -21,6 +20,7 @@ from qdrant_client.http.exceptions import UnexpectedResponse
 from langchain_qdrant import (
     QdrantVectorStore,
     RetrievalMode,
+    FastEmbedSparse,
 )
 from langchain_core.embeddings import Embeddings
 from langchain_core.retrievers import BaseRetriever
@@ -95,12 +95,7 @@ def create_hybrid_retriever(
     embeddings: Embeddings | None = None,
 ) -> BaseRetriever:
     """
-    创建混合检索器（使用 Qdrant 自身的 RetrievalMode.HYBRID）。
-
-    ⚡️ Qdrant 原生混合检索：
-    - 如果 Qdrant 集合已配置 sparse_vectors：启用 Qdrant 原生混合检索
-    - 如果未配置：优雅回退到纯稠密检索
-    - 完全兼容现有代码，接口不变
+    创建混合检索器（稠密向量 + BM25 稀疏向量，Qdrant 原生实现）。
 
     Args:
         collection_name: Qdrant 集合名称。
@@ -139,41 +134,22 @@ def create_hybrid_retriever(
             raise ValueError(f"Qdrant 集合 '{collection_name}' 不存在")
         raise
 
-    # 检查 Qdrant 集合是否有稀疏向量配置
-    sparse_available = False
-    try:
-        collection_info = client.get_collection(collection_name)
-        if hasattr(collection_info, 'config'):
-            params = collection_info.config.params
-            if hasattr(params, 'sparse_vectors') and params.sparse_vectors:
-                sparse_available = True
-                info("✅ 检测到 Qdrant 集合有稀疏向量配置，启用 Qdrant 原生混合检索")
-    except Exception as e:
-        warning(f"⚠️ 检查 Qdrant 集合稀疏向量配置失败: {e}")
+    # 初始化稀疏嵌入
+    sparse_embeddings = FastEmbedSparse(model_name="Qdrant/bm25")
+    info("✅ FastEmbedSparse 初始化成功")
 
-    # 如果有稀疏向量配置，用 Qdrant 原生混合检索
-    if sparse_available:
-        try:
-            vector_store = QdrantVectorStore(
-                client=client,
-                collection_name=collection_name,
-                embedding=embeddings,
-                retrieval_mode=RetrievalMode.HYBRID,
-            )
-            info(f"✅ Qdrant 原生混合检索器初始化成功 (k={total_k})")
-            return vector_store.as_retriever(search_kwargs=search_kwargs)
-        except Exception as e:
-            warning(f"⚠️ Qdrant 原生混合检索初始化失败: {e}，回退到纯稠密检索")
-
-    # 如果没有稀疏向量配置，回退到纯稠密检索
-    info("ℹ️ Qdrant 集合未配置稀疏向量，使用纯稠密检索（完全兼容）")
-    return create_base_retriever(
-        collection_name=collection_name,
-        search_kwargs=search_kwargs,
+    # 创建混合模式的 QdrantVectorStore
+    vector_store = QdrantVectorStore(
         client=client,
-        embeddings=embeddings,
+        collection_name=collection_name,
+        embedding=embeddings,
+        sparse_embedding=sparse_embeddings,
+        retrieval_mode=RetrievalMode.HYBRID,
     )
 
+    info(f"✅ Qdrant 原生混合检索器初始化成功 (k={total_k})")
+    return vector_store.as_retriever(search_kwargs=search_kwargs)
+
 
 # 可选：提供异步友好的辅助函数
 async def acreate_base_retriever(