一句话定义：时效性加权（Recency Weighting）是在检索和排序时，把“内容有多新”当作一个独立的打分项，按内容新旧给结果加分或减分的做法。
只用向量相似度排不准的原因
向量检索（vector search）计算的是语义相似度（semantic similarity）：查询和文档的 embedding 越接近，分数就越高。它只回答“意思像不像”，不回答“这份文档是什么时候写的”。
举个例子：你问同事“咱们报销流程怎么走”，翻出一份三年前写得很详细的 PDF。这份文档语义匹配度很高，但报销流程早改过两轮了。纯向量检索会把这种三年前的文档排在第一，因为旧文档往往写得更长、更全、关键词更密集，相似度天然占优势。这就是“相关性满分、时效性零分”的典型翻车。
怎么加这个权
常见做法从软到硬有三种：
1. 混合打分：最终得分由相关性分和时效分加权组合而成，两边权重可调。
2. 时间衰减（time decay）：以文档年龄为输入，用指数衰减或分段阶梯给相关性分打折，例如“一年内不打折、三年以上大幅减分”。
3. 硬过滤：先按时间范围筛掉旧文档，再在剩下的文档中排序。做法简单直接，但有可能把唯一正确的那份旧文档也筛掉。
和相邻概念的区别
时间衰减是时效性加权的一种具体实现，加权是目的，衰减是手段。重排序管的是“最后怎么排”，时效分通常只是它输入的一个特征。而索引更新、缓存刷新属于数据层面的“新鲜度”（freshness），解决的是“新内容进没进来”，跟排序层面的加权是两件事，别混为一谈。
对从业者的实际意义
时间的准确性比算法本身的影响更大。很多系统的“文档时间”其实是入库时间，不是内容时间；一份几年前的制度今天才被扫描上传，加权后会被当成新资料。至少要区分发布时间、更新时间、事件发生时间，并按业务场景选定其中一个。
另一个常见误区是默认所有查询都该加权。问“最新政策”要新，问“牛顿第二定律”“合同范本”“历史档案”时，越旧反而可能越权威。合理做法是按查询意图决定是否启用，而不是全局一刀切。另外，换更大的 embedding 模型解决不了排序错位：这通常是因为排序时缺少时间信号，而非语义理解能力不足。
对普通人的意义
搜索结果里那个日期标签并不是装饰，它会参与排序。你搜“最新规定”却翻出三年前的帖子，多半是系统只看了相关性。反过来，自己在知识库里找资料时，看到一份没标日期的文档，先确认它是否还在生效比较稳妥。各产品的具体排序规则以官方页面为准。