一句话定义：倒数排名融合（Reciprocal Rank Fusion，RRF）是一种把多路检索结果合并成同一份排名的算法——它不看各路给出的分数，只看每个文档在各路榜单上排第几名，然后把“名次的倒数”相加。
为什么需要它
一个搜索或 RAG 系统常常同时跑好几路召回：一路用关键词（BM25），一路用向量语义检索，也许还有第三路用别的模型。问题在于，各路给出的分数根本不在一个尺度上：BM25 的分数没有上界，可以是十几也可以是几十；向量检索的AI 词典：余弦相似度">余弦相似度通常在 -1 到 1 之间。把这两类数字直接加权求和，就像一个评委打 98 分、另一个打 4.7 分，加起来没有任何意义。强行归一化到同一区间又会丢掉原始分布的信息。
RRF 的偷懒办法是：既然分数不可比，那就只比名次。
怎么算
对每一路结果，文档 d 的贡献是 $\frac{1}{k + rank_i(d)}$，其中 $rank_i(d)$ 是它在第 i 路里的名次（从 1 开始计）。把各路贡献加总：
$$\text{score}(d) = \sum_i \frac{1}{k + rank_i(d)}$$
k 是一个平滑常数，常见取几十（60 是流传较广的默认值，具体以所用组件的官方文档为准）。它的作用是别让第 1 名和第 2 名之间拉得太开。
打个比方：选秀节目请了三位评委，各自按自己的标准排出榜单。节目组不去比较他们的原始打分，而是规定——谁榜单上的第 1 名得 1 分，第 2 名得 1/2 分，第 3 名得 1/3 分……把同一位选手在三张榜单上拿到的名次分相加，谁高谁就排前面。名次越靠前，得分越接近 1；掉到几十名开外，贡献就趋近于 0，几乎可以忽略。
和相邻概念的区别
RRF 通常作为“融合层”用在召回之后、重排序之前：先把多路结果合成一份几十到几百条的候选，再交给更贵的重排序模型精排。留意一个细节——RRF 会忽略“某一路非常确信”这种信息，某路的第一名和另一路勉强挤进的第一名，在它眼里权重相同。
对实际工作的意义
对工程师来说，RRF 几乎是混合检索（Hybrid Search）的默认选择：免训练、可并行、实现只有十几行代码，而且对某一路召回质量波动有天然的鲁棒性。做 RAG 时，关键字检索兜住专有名词和编号，向量检索兜住同义改写，两者用 RRF 合起来，通常比只调一路更稳。
对普通职场人，它的启示更朴素：当几个来源的评分标准不一致、又都“看起来有道理”时，别急着把分数相加，退一步只排名次、再投票，往往更可靠。评审打分、供应商比选、多轮面试评价，都是同一个道理。