一句话定义：稠密检索（Dense Retrieval）是把查询和文档各自压缩成一串固定长度的数字（向量），再比较这两串数字有多接近，从而找出“意思相近”内容的检索方式。
它怎么工作
关键词检索把文本当成一堆词。你搜“手机没电了”，它到倒排索引里找含有“手机”“没电”的文档，命中越多分越高——BM25 就是这类稀疏检索（Sparse Retrieval）的经典代表，判断标准是字面重合。
稠密检索换了思路。先用编码器（Encoder，常见是双塔结构 Bi-encoder）把每篇文档读一遍，输出一个几百到上千维的向量。你可以把它想成一张“语义坐标图”：意思相近的句子，落点就挨得近。文档向量可以离线算好、建进向量索引；用户提问时，同一套编码器把问题也变成向量，再去找索引里离它最近的那些点。相似度常用AI 词典：余弦相似度">余弦相似度衡量，规模一大就用近似最近邻（ANN，Approximate Nearest Neighbor）索引来换速度。
打个比方：关键词检索像按卡片找书，卡片上写着哪些词，书里就必须出现哪些词；稠密检索像一位读过全部藏书的馆员，你说“想找本讲人怎么面对失败的”，他能抱来几本标题里根本没“失败”二字的书。
和关键词检索的本质差别
| 关键词／稀疏检索 | 稠密检索 | |
|---|---|---|
| 匹配依据 | 字面重合 | 语义相近 |
| 文本表示 | 词表维度的高维稀疏向量，绝大多数是 0 | 几百到上千维的稠密向量，几乎每维都有值 |
| 换个说法、同义词 | 容易漏 | 通常能召回 |
| 型号、人名、编号等精确串 | 强项 | 偏弱，可能被“意思差不多”带偏 |
| 可解释性 | 高，能指出命中了哪些词 | 低，只给一个相似度分数 |
所以“怎么修 XJ-2000 的报错码”这种查询，关键词往往更稳；而“预算不够怎么说服老板”这种查询，稠密检索才发挥得出来。
对从业者的意义
稠密检索的效果上限很大程度由编码器决定。通用模型在垂直领域（法律、医疗、公司内部黑话）常不够用，需要领域数据微调或换更合适的嵌入模型；文档怎么切块（Chunking）也直接影响召回质量。实务里很少二选一，常见做法是混合检索（Hybrid Search）：关键词负责精确命中，稠密向量负责语义兜底，两路结果融合后再交给重排模型（Reranker）精排。
对普通人的意义
搜索框越来越“听得懂人话”，你不用再猜该用哪个词。但也要留心：稠密检索会“自信地”返回意思相关、事实却不对的内容。所以在问答类产品里，能看到出处、能点开原文核对，比只读一句总结靠谱得多。