# 相关性检索优化说明（当前实现）

  ## 1. 文档目标

  本文描述当前代码中的文本检索策略，重点覆盖：

  - 多语言检索路由（`detector` / `translator` / `indexed` 的关系）
  - 统一文本召回表达式（无布尔 AST 分支）

  - 解析层与检索表达式层的职责边界

  - 重排融合打分与调试字段

  - 典型场景下实际生成的 ES 查询结构

  > 说明：向量召回（KNN）是另一维度，本篇仅简要提及，不展开。

  ## 2. 核心流程

  查询链路（文本相关）：

  1. `QueryParser.parse()`  

     负责产出解析事实：`query_normalized`、`rewritten_query`、`detected_language`、`translations`、`query_vector`、`query_tokens`。

  2. `Searcher.search()`  

     负责读取租户 `index_languages`，并将其传给 `QueryParser` 作为 `target_languages`（控制翻译目标语种）；`ESQueryBuilder` 仅根据 `detected_language` 与各条译文构建子句字段，不再接收 `index_languages`。

  2. `ESQueryBuilder._build_advanced_text_query()`  

     基于 `rewritten_query + detected_language + translations + index_languages` 构建 `base_query` 与 `base_query_trans_*`；并按语言动态拼接 `title/brief/description/vendor/category_*` 的 `.{lang}` 字段，叠加 shared 字段（`tags`、`option*_values`）。

  3. `build_query()`  
     统一走文本策略，不再有布尔 AST 枝路。

  ## 3. 能力矩阵（Detector / Translator / Indexed）

  三类能力的职责边界：

  - **Detector**：识别 query 源语言（`detected_language`）
  - **Indexed**：租户可检索语言集合（`tenant_config.*.index_languages`）
  - **Translator**：源语言到目标语言的可翻译能力及实时成功率

  ### 3.1 决策规则

  1. 若 `detected_language in index_languages`：  
     源语言字段做主召回；其他语言走翻译补召回（低权重）。
  2. 若 `detected_language not in index_languages`：  
     翻译到 `index_languages` 是主路径；源语言字段仅作弱召回。

  3. 若翻译部分失败或全部失败：  
     当前实现不会再额外生成“原文打到其他语种字段”的兜底子句；系统保留 `base_query` 并继续执行，可观测性由 `translations` / warning / 命名子句分数提供。

  ### 3.2 翻译与向量：并发提交与共享超时

  `QueryParser.parse()` 内对翻译与向量采用线程池提交 + **一次** `concurrent.futures.wait`：

  - **翻译**：对调用方传入的 `target_languages` 中、除 `detected_language` 外的每个目标语种各提交一个 `translator.translate` 任务（多目标时并发执行）。
  - **查询向量**：若开启 `enable_text_embedding`，再提交一个 `text_encoder.encode` 任务。

  - 上述任务进入**同一** future 集合；例如租户索引为 `[zh, en]` 且检测语种**不在**索引内时，常为 **2 路翻译 + 1 路向量，共 3 个任务并发**，共用超时。

  **等待预算（毫秒）**由 `detected_language` 是否属于调用方传入的 `target_languages` 决定（`query_config`）：

  
  - **在索引内**：`translation_embedding_wait_budget_ms_source_in_index`（默认较短，如 80ms）— 主召回已能打在源语种字段，翻译/向量稍慢可容忍。
  - **不在索引内**：`translation_embedding_wait_budget_ms_source_not_in_index`（默认较长，如 200ms）— 翻译对可检索文本更关键，给足时间。
  
  超时未完成的任务会被丢弃并记 warning，解析继续（可能无部分译文或无数向量）。

  ## 4. 统一文本召回表达式

  每个语言子句的基础形态：

  ```json
  {
    "multi_match": {

      "_name": "base_query|base_query_trans_xx",

      "query": "<text>",
      "fields": ["title.xx^3.0", "brief.xx^1.5", "...", "tags", "option1_values^0.5", "..."],
      "minimum_should_match": "75%",
      "tie_breaker": 0.9,
      "boost": "<按策略决定，可省略>"
    }
  }
  ```

  最终按 `bool.should` 组合，`minimum_should_match: 1`。

  ## 5. 关键配置项（文本策略）

  `query_config` 下与解析等待相关的项：
  
  - `translation_embedding_wait_budget_ms_source_in_index`
  - `translation_embedding_wait_budget_ms_source_not_in_index`
  

  位于 `config/config.yaml -> query_config.text_query_strategy`：

  - `base_minimum_should_match`
  - `translation_minimum_should_match`

  - `translation_boost`（所有 `base_query_trans_*` 共用）

  - `tie_breaker_base_query`

  说明：
  

  - `phrase_query` / `keywords_query` 已从当前实现中移除，文本相关性只由 `base_query`、`base_query_trans_*` 两类子句组成。

  ## 6. 典型场景与实际 DSL

  以下示例来自当前 `ESQueryBuilder` 生成结果（已按当前代码验证）。

  ### 场景 A：源语种已在索引语言中，且翻译成功

  - `detected_language=de`
  - `index_languages=[de,en]`

  - `rewritten_query="herren schuhe"`
  - `translations={en:"men shoes"}`

  策略结果：

  - `base_query`：德语字段，**不写** `multi_match.boost`

  - `base_query_trans_en`：英语字段，`boost=translation_boost`（默认 0.4）

  ### 场景 B：源语种不在索引语言中，部分翻译缺失

  - `detected_language=de`
  - `index_languages=[en,zh]`
  - 只翻译出 `en`，`zh` 失败

  策略结果：

  - `base_query`（德语字段）：**不写** `multi_match.boost`（默认 1.0）
  - `base_query_trans_en`（英文字段）：`boost=translation_boost`（如 0.4）
  - 不会生成额外中文兜底子句

  ### 场景 C：源语种不在索引语言中，翻译全部失败

  - `detected_language=de`
  - `index_languages=[en,zh]`

  - `translations={}`

  策略结果：

  - `base_query`（德语字段，**无** `boost` 字段）
  - 不会生成 `base_query_trans_*`

  这意味着当前实现优先保证职责清晰与可解释性，而不是继续在 Builder 内部隐式制造“跨语种原文兜底”。

  ## 7. QueryParser 与 Searcher / ESBuilder 的职责分工

  - `QueryParser` 负责“解析事实”：
    - `query_normalized`
    - `rewritten_query`
    - `detected_language`
    - `translations`
    - `query_vector`
    - `query_tokens`

  - `Searcher` 负责“租户语境”：
    - `index_languages`
    - 将其传给 parser 作为 `target_languages`

  - `ESQueryBuilder` 负责“表达式展开”：
    - 动态字段组装
    - 子句权重分配

    - `base_query` / `base_query_trans_*` 子句拼接
    - 跳过“与 base_query 文本和语言完全相同”的重复翻译子句

  这种分层让 parser 不再返回 ES 专用的“语言计划字段”，职责边界更清晰。

  ## 8. 融合打分（Rerank + Text + KNN）
  
  当前融合逻辑位于 `search/rerank_client.py`。
  
  ### 8.1 文本相关性大分
  

  文本大分由两部分组成：

  
  - `base_query`
  - `base_query_trans_*`

  
  聚合方式：
  
  1. `source_score = base_query`
  2. `translation_score = max(base_query_trans_*)`

  3. 加权：

     - `weighted_source = source_score`
     - `weighted_translation = 0.8 * translation_score`

  4. 合成：
     - `primary = max(weighted_source, weighted_translation)`
     - `support = weighted_source + weighted_translation - primary`

     - `text_score = primary + 0.25 * support`
  
  如果以上子分都缺失，则回退到 ES `_score` 作为 `text_score`，避免纯文本召回被误打成 0。
  
  ### 8.2 最终融合公式
  
  ```python
  fused_score = (
      (rerank_score + 0.00001) *
      (text_score + 0.1) ** 0.35 *
      (knn_score + 0.6) ** 0.2
  )
  ```
  
  设计意图：
  
  - `rerank_score` 是主导信号
  - `text_score` 保留乘法增益，但通过较低指数避免词法高分过度放大
  - `knn_score` 保持弱参与，只作为语义召回补充
  
  ### 8.3 调试字段
  
  开启 `debug=true` 后，`debug_info.per_result` 会暴露：
  
  - `es_score`
  - `rerank_score`
  - `text_score`
  - `text_source_score`
  - `text_translation_score`

  - `text_primary_score`
  - `text_support_score`
  - `knn_score`
  - `fused_score`
  - `matched_queries`
  
  `debug_info.query_analysis` 还会暴露：
  

  - `translations`
  - `detected_language`
  - `rewritten_query`

  
  这些字段用于检索效果评估与 bad case 归因。
  
  ## 9. 兼容与注意事项

  1. 当前文本主链路已移除布尔 AST 分支。  
  2. 文档中的旧描述（如 `operator: AND` 固定开启）不再适用，当前实现未强制设置该参数。  

  3. `HanLP` 为必需依赖；当前 parser 不再提供轻量 fallback。  

  4. 若后续扩展到更多语种，请确保：
     - mapping 中存在对应 `.<lang>` 字段
     - `index_languages` 配置在支持列表内
     - 翻译 provider 对目标语种可用

  ## 10. 评估与复现
  
  建议使用项目根目录虚拟环境：
  
  ```bash
  cd /data/saas-search
  source ./activate.sh
  python -m pytest -q tests/test_rerank_client.py tests/test_es_query_builder.py tests/test_search_rerank_window.py tests/test_query_parser_mixed_language.py
  ./scripts/service_ctl.sh restart backend
  sleep 3
  ./scripts/service_ctl.sh status backend
  python ./scripts/eval_search_quality.py
  ```
  
  评估脚本会生成：
  
  - `artifacts/search_eval/search_eval_*.json`
  - `artifacts/search_eval/search_eval_*.md`
  
  可直接从 JSON 中提取 query 级和 result 级调试字段进行分析。
  
  ## 11. 建议测试清单

  建议在 `tests/` 增加文本策略用例：

  1. 源语种在索引语言，翻译命中缓存  

  2. 源语种不在索引语言，翻译部分失败（验证仅保留 `base_query` + 成功翻译子句）  
  3. 源语种不在索引语言，翻译全部失败（验证无 `base_query_trans_*` 时仍可正常执行）  
  4. 非 `zh/en` 语种字段动态拼接（如 `de/fr/es`）

  
  
  
  ## reranker方面：
  BAAI/bge-reranker-v2-m3的一个严重badcase：
  q=黑色中长半身裙
  
  Rerank score: 0.0785
  title.zh: 2026款韩版高腰显瘦雪尼尔包臀裙灯芯绒开叉中长款咖啡色半身裙女
  title.en: 2026 Korean-style High-waisted Slimming Corduroy Skirt with Slit, Mid-Length Coffee-colored Skirt for Women
  
  Rerank score: 0.9643
  title.en: Black Half-high Collar Base Shirt Women's Autumn and Winter fleece-lined Contrast Color Pure Desire Design Sense Horn Sleeve Ruffled Inner Top
  title.zh: 黑色高领半高领女士秋冬内搭加绒拼色纯欲设计荷叶边袖内衬上衣

  
  
  
  qwen3-0.6b的严重badcase：
  q=牛仔裤
  
  Rerank score: 0.0002
  title.en: Wrangler Womens Cowboy Cut Slim Fit Jean Bleach
  title.zh: Wrangler 女士牛仔裤 牛仔剪裁 紧身版型 漂白色
  
  Rerank score: 0.0168
  title.en: Fleece Lined Tights Sheer Women - Fake Translucent Warm Pantyhose Leggings Sheer Thick Tights for Winter
  title.zh: 加绒透肤女士连裤袜 - 仿透视保暖长筒袜 冬季厚款透肤连裤袜
  
  Rerank score: 0.1366
  title.en: Dockers Men's Classic Fit Workday Khaki Smart 360 FLEX Pants (Standard and Big & Tall)
  title.zh: Dockers 男士经典版型工作日卡其色智能360度弹力裤（标准码与加大码）
  
  Rerank score: 0.0981
  title.en: Lazy One Pajama Shorts for Men, Men's Pajama Bottoms, Sleepwear
  title.zh: 懒人男士睡裤，男式家居裤，睡眠服饰