# 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`、`contains_chinese`、`contains_english`。
2. `Searcher.search()`  
   负责读取租户 `index_languages`，并将其一方面传给 `QueryParser` 作为 `target_languages`，另一方面传给 `ESQueryBuilder` 作为字段展开约束。
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`。

> **附 — 混写辅助召回**  
> 当中英（或多脚本）混写时，为略抬召回：`QueryParser` 用 `contains_chinese`（文中有汉字）、`contains_english`（分词中有长度 ≥3 的纯英文 token）打标；`ESQueryBuilder` 在某一语言的 `multi_match` 上，按规则把**另一语种**的同类字段并入同一 `fields`（受 `index_languages` 限制），并入列的 boost 为配置值再乘 **`mixed_script_merged_field_boost_scale`（默认 0.6，`ESQueryBuilder` 构造参数）**。字段在内部以 `(path, boost)` 列表合并后再格式化为 ES 字符串。

## 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`
  - `contains_chinese` / `contains_english`
- `Searcher` 负责“租户语境”：
  - `index_languages`
  - 将其传给 parser 作为 `target_languages`
  - 将其传给 builder 作为字段展开约束
- `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