一句话定义：停用词（Stopwords）指文本中出现频率极高、却几乎不携带区分信息的词，比如中文的“的、了、是、在”，英文的“the、a、of、is”。在信息检索里，它们通常会在建索引前被过滤掉，但在向量检索里，这个做法常常要反过来。
建倒排索引时删停用词的原因
传统关键词检索依赖倒排索引（Inverted Index）：每个词对应一张“包含它的文档清单”。问题是，几乎每篇文档都含“的”。如果为“的”建一条索引，它的清单会长到覆盖整个库；用户搜“的”，系统等于把所有文档都取出来，毫无缩小范围的作用，还白占存储、拖慢查询。
也就是说，这类词对排序的贡献本就接近于零。在 AI 词典：TF-IDF">TF-IDF / BM25 里，一个词的权重与逆文档频率（IDF）挂钩：越常见的词 IDF 越低，“的”的 IDF 几乎贴着地板。删掉它，检索结果几乎不变，索引却小了一圈、快了一截。删停用词是优化，也是减轻噪声。
但要注意，删掉停用词有代价。最经典的例子是“我不喜欢吃辣”，若把“不”当停用词删掉，句子意思就反转了。因此，停用词表因语言和领域而异，没有普适版本；具体取舍以自己语料上的评测为准。
向量检索保留停用词的原因
稠密向量检索（Dense Retrieval）用的是嵌入模型（Embedding Model）。它先把整句话读成上下文，再压成一个向量，并非词袋。
第一，这些高频词承载语法和语义关系。“猫追狗”和“狗追猫”用的是同一批实词，差别全在语序和虚词上；“张三借李四的钱”到底谁欠谁，靠的也是虚词。全删了，模型看到的就是一堆散装名词。
第二，现代模型用子词分词（Subword Tokenization），本来就把词切得很碎，“the”往往只占一个 token。删掉它不会省多少算力，反而让输入变得不自然。模型训练时见的是正常句子，你喂给它删得坑坑洼洼的文本，等于制造分布外输入，效果可能不升反降。
| 稀疏检索（BM25 / TF-IDF） | 稠密向量检索（Embedding） | |
|---|---|---|
| 文本表示 | 词袋，词与词独立 | 上下文相关的整句向量 |
| 停用词的作用 | 几乎不区分文档，IDF 极低 | 承载语序、否定、时态、指代 |
| 删掉的代价 | 很小 | 可能改变语义、偏离训练分布 |
| 常见做法 | 建索引和查询时过滤 | 保留原文，不做停用词过滤 |
对实际工作的意义
做关键词检索或混合检索（Hybrid Search）时，稀疏分支可以照常用停用词表，但要为领域词留白名单（比如医疗文本里的“无”“未见”）；稠密分支则应该保留原文，只做必要的 HTML 清洗、去重和截断，别顺手把“的、是、the”洗掉。
一句话记法：停用词并非“没用的词”，只是在词袋模型里性价比低。把词袋换成会读上下文的模型，判断就该跟着换。